分类器混淆矩阵的画法

分类器的混淆矩阵是一种评估分类器性能的常用工具，它可以帮助我们了解分类器在不同类别上的分类情况。通常，混淆矩阵是一个 $n \times n$ 的矩阵，其中 $n$ 是类别的数量。下面是混淆矩阵的一般结构：

| | 预测为类别 1 | 预测为类别 2 | ... | 预测为类别 n |
|--------|--------------|--------------|-----|--------------|
| 类别 1 | True Positive | False Negative | ... | False Negative |
| 类别 2 | False Positive| True Positive | ... | False Negative |
| ... | ... | ... | ... | ... |
| 类别 n | False Positive| False Positive| ... | True Positive |

其中，True Positive 表示分类器正确地将一个样本分为类别 1，False Positive 表示分类器将一个非类别 1 的样本错误地分为类别 1，False Negative 表示分类器将一个类别 1 的样本错误地分为非类别 1，True Negative 表示分类器正确地将一个样本分为非类别 1。

下面是混淆矩阵的画法：

1. 首先，确定所有可能的类别。

2. 统计分类器在测试集上的预测结果，根据预测结果填写混淆矩阵。

3. 使用各种可视化工具（如 Matplotlib）将混淆矩阵可视化。

例如，下面是一个二元分类器的混淆矩阵的画法：

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

# 假设 y_true, y_pred 是测试集上的真实标签和预测结果
classes = ['类别 1', '类别 2']  # 所有可能的类别
cm = confusion_matrix(y_true, y_pred)  # 计算混淆矩阵

# 可视化混淆矩阵
fig, ax = plt.subplots()
im = ax.imshow(cm, cmap='Blues')

# 设置坐标轴标签
ax.set_xticks(range(len(classes)))
ax.set_yticks(range(len(classes)))
ax.set_xticklabels(classes)
ax.set_yticklabels(classes)

# 在矩阵中添加数值标签
for i in range(len(classes)):
    for j in range(len(classes)):
        text = ax.text(j, i, cm[i, j],
                       ha="center", va="center", color="w")

# 添加标题和颜色条
ax.set_title("混淆矩阵")
fig.colorbar(im)
plt.show()