给我一段做混淆矩阵的代码

当您使用机器学习算法进行分类任务时，混淆矩阵是一种常用的评估指标。以下是一个简单的 Python 代码示例，用于生成混淆矩阵：

from sklearn.metrics import confusion_matrix
import numpy as np

# 预测值和真实标签
y_pred = np.array([1, 0, 0, 1, 1, 0, 1])
y_true = np.array([1, 1, 0, 0, 1, 0, 1])

# 生成混淆矩阵
cm = confusion_matrix(y_true, y_pred)

# 打印混淆矩阵
print(cm)

输出结果：

[[2 1]
 [1 3]]

在这个例子中，我们有 7 个样本，其中 4 个样本被正确分类，3 个样本被错误分类。混淆矩阵显示了真实标签和预测标签之间的关系，其中每行代表真实标签，每列代表预测标签。混淆矩阵中的对角线表示正确分类的样本数，而非对角线上的数字表示错误分类的样本数。

相关问题

给我一段做混淆矩阵的代码跟能画图的

当您使用机器学习算法进行分类任务时，混淆矩阵是一种常用的评估指标。以下是一个 Python 代码示例，用于生成混淆矩阵并将其可视化：

import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.metrics import confusion_matrix
import numpy as np

# 预测值和真实标签
y_pred = np.array([1, 0, 0, 1, 1, 0, 1])
y_true = np.array([1, 1, 0, 0, 1, 0, 1])

# 生成混淆矩阵
cm = confusion_matrix(y_true, y_pred)

# 创建热图
sns.set(font_scale=1.4) # 设置字体大小
sns.heatmap(cm, annot=True, annot_kws={"size": 16}, cmap='Blues', fmt='g')

# 添加标签和标题
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.title('Confusion Matrix')

# 显示图形
plt.show()

在这个例子中，我们有 7 个样本，其中 4 个样本被正确分类，3 个样本被错误分类。混淆矩阵显示了真实标签和预测标签之间的关系，其中每行代表真实标签，每列代表预测标签。颜色越深表示预测结果越准确。

写一段画混淆矩阵的代码

### 回答1：
以下是一段用 Python 画混淆矩阵的代码示例：

import matplotlib.pyplot as plt
import numpy as np

# 假设您有如下混淆矩阵
cm = np.array([[100, 20], [30, 40]])

# 绘制混淆矩阵
plt.imshow(cm, interpolation='nearest', cmap=plt.cm.Blues)

# 添加标题
plt.title('Confusion Matrix')

# 添加数字标签
threshold = cm.max() / 2.
for i in range(cm.shape[0]):
    for j in range(cm.shape[1]):
        plt.text(j, i, cm[i, j],
                 horizontalalignment="center",
                 color="white" if cm[i, j] > threshold else "black")

# 添加 X 轴标签
plt.xlabel('Predicted label')

# 添加 Y 轴标签
plt.ylabel('True label')

# 添加图例
plt.colorbar()

# 去掉坐标轴的刻度
plt.xticks(np.arange(2), [0, 1])
plt.yticks(np.arange(2), [0, 1])

# 显示图像
plt.show()

### 回答2：
画混淆矩阵是用于衡量分类器性能的一种常用方法。以下是一个简单的Python代码示例，用于绘制混淆矩阵。

import numpy as np
import matplotlib.pyplot as plt

def plot_confusion_matrix(cm, classes, normalize=False, title='Confusion matrix', cmap=plt.cm.Blues):
    """
    画混淆矩阵函数
    
    参数:
    cm -- 混淆矩阵
    classes -- 分类器所包含的类别
    normalize -- 是否对矩阵进行归一化，默认为False
    title -- 图表标题，默认为'Confusion matrix'
    cmap -- 颜色图谱，默认为plt.cm.Blues
    """
    if normalize:
        cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis] # 对混淆矩阵进行归一化处理

    plt.figure(figsize=(8, 6))
    plt.imshow(cm, interpolation='nearest', cmap=cmap)
    plt.title(title)
    plt.colorbar()

    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=45)
    plt.yticks(tick_marks, classes)

    fmt = '.2f' if normalize else 'd'
    thresh = cm.max() / 2.
    for i, j in np.ndindex(cm.shape):
        plt.text(j, i, format(cm[i, j], fmt),
                 horizontalalignment="center",
                 color="white" if cm[i, j] > thresh else "black")

    plt.ylabel('True label')
    plt.xlabel('Predicted label')
    plt.tight_layout()

# 示例用法
classes = ['A', 'B', 'C', 'D']
cm = np.array([[10, 2, 1, 0],
               [3, 12, 1, 2],
               [2, 1, 9, 1],
               [0, 2, 0, 15]])

plot_confusion_matrix(cm, classes, normalize=False, title='Confusion Matrix')
plt.show()

上述代码中，`plot_confusion_matrix` 函数用于绘制混淆矩阵。`cm` 参数表示混淆矩阵，`classes` 参数表示分类器的类别，`normalize` 参数表示是否对混淆矩阵进行归一化处理。函数内部使用 `plt.imshow` 函数绘制矩阵，使用 `plt.xticks` 和 `plt.yticks` 函数设置坐标刻度，使用 `plt.text` 函数在图表中显示矩阵的数值。最后通过调用 `plt.show` 函数显示图表。

### 回答3：
画混淆矩阵是一种常见的数据可视化方法，用于衡量机器学习算法的性能。下面是一个简单的Python代码段，用于绘制一个2x2的混淆矩阵：

import matplotlib.pyplot as plt
import numpy as np

# 定义分类类别
labels = ['真实类别A', '真实类别B']

# 定义混淆矩阵的数据，每一行代表一个真实类别的样本数
matrix_data = np.array([[100, 20],   # 预测为类别A的样本中，实际为类别A的个数为100，实际为类别B的个数为20
                        [30, 150]])  # 预测为类别B的样本中，实际为类别A的个数为30，实际为类别B的个数为150

# 绘制混淆矩阵
fig, ax = plt.subplots()
im = ax.imshow(matrix_data, interpolation='nearest', cmap=plt.cm.Blues)

# 添加颜色条
cbar = ax.figure.colorbar(im, ax=ax)

# 创建刻度标签
ax.set(xticks=np.arange(matrix_data.shape[1]),
       yticks=np.arange(matrix_data.shape[0]),
       xticklabels=labels, yticklabels=labels,
       title='混淆矩阵',
       ylabel='真实类别',
       xlabel='预测类别')

# 在方块内显示具体数值
thresh = matrix_data.max() / 2.0
for i in range(matrix_data.shape[0]):
    for j in range(matrix_data.shape[1]):
        ax.text(j, i, format(matrix_data[i, j], 'd'),
                ha="center", va="center",
                color="white" if matrix_data[i, j] > thresh else "black")

# 调整布局
fig.tight_layout()

# 展示混淆矩阵
plt.show()

这段代码使用了`matplotlib`库来绘制混淆矩阵图像。首先，我们定义了分类的类别标签，然后创建一个包含混淆矩阵数据的2x2的NumPy数组。接下来，我们使用`imshow`函数绘制混淆矩阵的图像，并通过`colorbar`函数添加一个颜色条。最后，我们使用`set`函数设置刻度标签、标题和坐标轴标签。然后，我们使用两个嵌套的循环在每个方块内显示对应的具体数值。最后，通过调整布局和展示图像的方式展示混淆矩阵。