正文

揭秘Python：如何轻松绘制分类混淆矩阵图

/0 浏览量
0310

混淆矩阵简介

混淆矩阵（Confusion Matrix）是机器学习中用于评估分类模型性能的一种常用工具。它以表格的形式展示了模型预测结果与真实标签之间的关系，对于二分类和多分类问题都非常有用。混淆矩阵中的每个元素都代表了一个特定的分类结果，具体如下：

  • 真正例 (True Positive, TP)：实际为正例且被预测为正例的数量；
  • 真反例 (True Negative, TN)：实际为反例且被预测为反例的数量；
  • 假正例 (False Positive, FP)：实际为反例但被预测为正例的数量；
  • 假反例 (False Negative, FN)：实际为正例但被预测为反例的数量。

通过混淆矩阵，我们可以计算出模型的精确率（Precision）、召回率（Recall）、F1分数等指标，从而全面评估模型的性能。

Python绘制混淆矩阵图

在Python中，我们可以使用seaborn和matplotlib库来绘制混淆矩阵图。以下是一个详细的步骤说明：

1. 导入必要的库

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

2. 创建一个示例混淆矩阵

# 假设这是你的混淆矩阵数据
confusion_matrix_data = np.array([
    [680, 18, 133, 95, 3],
    [22, 406, 25, 93, 11],
    [99, 24, 348, 217, 7],
    [45, 43, 83, 1149, 78],
    [5, 7, 8, 127, 406]
])

3. 设置标签名称

labels = ['Class A', 'Class B', 'Class C', 'Class D', 'Class E']

4. 绘制混淆矩阵图

# 设置绘图
plt.figure(figsize=(10, 7))

# 使用seaborn的heatmap函数绘制混淆矩阵
sns.heatmap(confusion_matrix_data, annot=True, fmt='d', cmap='Blues', cbar_kws={'label': 'Scale'},
            xticklabels=labels, yticklabels=labels)

# 添加标题和轴标签
plt.title('Confusion Matrix')
plt.xlabel('Predicted Label')
plt.ylabel('True Label')

# 显示图形
plt.show()

5. 可视化效果优化

为了使混淆矩阵图更加美观，我们可以调整颜色条、字体大小等参数。例如，使用coolwarm颜色映射和调整字体大小：

sns.heatmap(confusion_matrix_data, annot=True, fmt='d', cmap='coolwarm', cbar_kws={'label': 'Scale'},
            xticklabels=labels, yticklabels=labels, fontsize=12)

总结

通过以上步骤，我们可以轻松地在Python中绘制分类混淆矩阵图，从而直观地评估分类模型的性能。混淆矩阵图不仅可以展示模型的整体性能，还可以帮助我们分析模型在不同类别上的表现，为进一步的模型优化提供依据。

-- 展开阅读全文 --