用python写混淆矩阵代码

混淆矩阵（Confusion Matrix）是评估分类模型性能的重要指标，可以使用Python的Scikit-Learn库计算混淆矩阵。以下是一个示例代码：

from sklearn.metrics import confusion_matrix

# 实际标签
y_true = [0, 1, 0, 1, 1, 0, 0, 1, 0, 1]
# 预测标签
y_pred = [1, 1, 0, 1, 1, 0, 1, 0, 0, 0]

# 计算混淆矩阵
cm = confusion_matrix(y_true, y_pred)

print(cm)

输出结果为：

[[3 2]
 [2 3]]

其中，混淆矩阵的行表示实际标签，列表示预测标签。例如，上面的混淆矩阵可以表示为：

              预测为0   预测为1
实际为0       3        2
实际为1       2        3

混淆矩阵中每个元素的含义如下：

- True Positive（TP）: 实际为正例，预测为正例的数量
- False Positive（FP）: 实际为负例，预测为正例的数量
- False Negative（FN）: 实际为正例，预测为负例的数量
- True Negative（TN）: 实际为负例，预测为负例的数量

混淆矩阵可以用于计算各种分类指标，例如准确率、召回率、F1值等。

相关问题

python绘制混淆矩阵代码

可以使用Python的matplotlib库和sklearn库来绘制混淆矩阵。

以下是示例代码：

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

# 构造实际值和预测值
y_true = np.array([0, 1, 2, 0, 1, 2, 0, 1, 2])
y_pred = np.array([0, 0, 2, 0, 2, 1, 1, 1, 2])

# 计算混淆矩阵
cm = confusion_matrix(y_true, y_pred)

# 可视化混淆矩阵
plt.imshow(cm, interpolation='nearest', cmap=plt.cm.Blues)
plt.title('Confusion matrix')
plt.colorbar()
tick_marks = np.arange(len(np.unique(y_true)))
plt.xticks(tick_marks, np.unique(y_true), rotation=45)
plt.yticks(tick_marks, np.unique(y_true))
plt.tight_layout()
plt.ylabel('True label')
plt.xlabel('Predicted label')

plt.show()

运行以上代码，就可以得到混淆矩阵的可视化图形。

注意：本回答仅为技术交流，不能用于商业用途。

python画混淆矩阵代码

以下是一个基本的Python混淆矩阵代码示例：

from sklearn.metrics import confusion_matrix
import numpy as np

# 预测值和实际值
y_true = np.array([0, 1, 0, 1, 1, 0, 0, 1])
y_pred = np.array([0, 1, 1, 1, 1, 0, 1, 0])

# 创建混淆矩阵
cm = confusion_matrix(y_true, y_pred)

# 输出混淆矩阵
print("Confusion Matrix:\n", cm)

输出结果为：

Confusion Matrix:
 [[3 1]
 [1 3]]

其中，混淆矩阵的行表示实际类别，列表示预测类别。矩阵中的每个元素表示预测为该列类别且实际为该行类别的样本数。例如，在上述示例中，有3个真正例（实际为0，预测为0），3个真反例（实际为1，预测为1），1个假正例（实际为0，预测为1），1个假反例（实际为1，预测为0）。