cm = confusion_matrix(y_test, y_pred) plt.figure(figsize = (8,8)) sns.heatmap(cm,cmap= "Blues", linecolor = 'black' , linewidth = 1 , annot = True, fmt='' , xticklabels = ['A','B','C','D'] , yticklabels = ['A','B','C','D']) plt.xlabel("Predicted") plt.ylabel("Actual")

这段代码使用混淆矩阵(Confusion Matrix)和热力图(Heatmap)来可视化模型在测试集上的分类结果。

首先，`cm = confusion_matrix(y_test, y_pred)`使用测试集的真实标签(y_test)和模型的预测标签(y_pred)计算混淆矩阵。混淆矩阵是一个表格，用于显示模型在不同类别上的预测结果。它将真实标签和预测标签分别按行和列排列，并将它们的交叉点上的值设置为模型在该类别上的预测数量。

接着，`plt.figure(figsize = (8,8))`创建一个大小为8x8的图形对象。`sns.heatmap()`函数用于绘制热力图，其中参数`cm`是混淆矩阵，`cmap`参数设置颜色映射为蓝色，`linecolor`参数设置网格线颜色为黑色，`linewidth`参数设置网格线宽度为1，`annot`参数用于在每个格子中显示数值，`fmt`参数用于格式化显示的数值，`xticklabels`和`yticklabels`参数用于设置x轴和y轴的标签。

最后，`plt.xlabel("Predicted")`和`plt.ylabel("Actual")`设置x轴和y轴的标签。这将帮助我们更好的理解模型的分类结果。