python绘制二分类混淆矩阵,混淆矩阵简单例子

　　从python的基础到现在的入门，每个人都必须有一定的python基础。今天边肖给大家带来一个关于python的高级内容，——绘制混淆矩阵。来看看吧~

　　介绍：

　　混淆矩阵通过指示正确/不正确标签的计数来指示表格格式的模型的准确性。

　　计算/绘制混淆矩阵：

　　下面是计算混淆矩阵的过程。

　　您需要一个包含预期结果值的测试数据集或验证数据集。

　　对测试数据集中的每一行进行预测。

　　从预期结果和预测中计数：

　　每一类的正确预测数。

　　每个类的错误预测数，由预测的类组织。

　　然后将这些数字组织成表格或矩阵，如下所示：

　　预期值：矩阵的每一行都对应一个预测类。

　　跨顶预测：矩阵的每一列对应一个实际的类。

　　-justify:inter-ideograph">然后将正确和不正确分类的计数填入表格中。

Reading混淆矩阵：

一个类的正确预测的总数进入该类值的预期行，以及该类值的预测列。

以同样的方式，一个类别的不正确预测总数进入该类别值的预期行，以及该类别值的预测列。

对角元素表示预测标签等于真实标签的点的数量，而非对角线元素是分类器错误标记的元素。混淆矩阵的对角线值越高越好，表明许多正确的预测。

用Python绘制混淆矩阵：

importitertools
　　
　　importnumpyasnp
　　
　　importmatplotlib.pyplotasplt
　　
　　fromsklearnimportsvm,datasets
　　
　　fromsklearn.model_selectionimporttrain_test_split
　　
　　fromsklearn.metricsimportconfusion_matrix
　　
　　#importsomedatatoplaywith
　　
　　iris=datasets.load_iris()
　　
　　X=iris.data
　　
　　y=iris.target
　　
　　class_names=iris.target_names
　　
　　#Splitthedataintoatrainingsetandatestset
　　
　　X_train,X_test,y_train,y_test=train_test_split(X,y,random_state=0)
　　
　　#Runclassifier,usingamodelthatistooregularized(Ctoolow)tosee
　　
　　#theimpactontheresults
　　
　　classifier=svm.SVC(kernel='linear',C=0.01)
　　
　　y_pred=classifier.fit(X_train,y_train).predict(X_test)
　　
　　defplot_confusion_matrix(cm,classes,
　　
　　normalize=False,
　　
　　title='Confusionmatrix',
　　
　　cmap=plt.cm.Blues):
　　
　　"""
　　
　　Thisfunctionprintsandplotstheconfusionmatrix.
　　
　　Normalizationcanbeappliedbysetting`normalize=True`.
　　
　　"""
　　
　　ifnormalize:
　　
　　cm=cm.astype('float')/cm.sum(axis=1)[:,np.newaxis]
　　
　　print("Normalizedconfusionmatrix")
　　
　　else:
　　
　　print('Confusionmatrix,withoutnormalization')
　　
　　print(cm)
　　
　　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'ifnormalizeelse'd'
　　
　　thresh=cm.max()/2.
　　
　　fori,jinitertools.product(range(cm.shape[0]),range(cm.shape[1])):
　　
　　plt.text(j,i,format(cm[i,j],fmt),
　　
　　horizontalalignment="center",
　　
　　color="white"ifcm[i,j]>threshelse"black")
　　
　　color="white"ifcm[i,j]>threshelse"black")
　　
　　plt.tight_layout()
　　
　　plt.ylabel('Truelabel')
　　
　　plt.xlabel('Predictedlabel')
　　
　　#Computeconfusionmatrix
　　
　　cnf_matrix=confusion_matrix(y_test,y_pred)
　　
　　np.set_printoptions(precision=2)
　　
　　#Plotnon-normalizedconfusionmatrix
　　
　　plt.figure()
　　
　　plot_confusion_matrix(cnf_matrix,classes=class_names,
　　
　　title='Confusionmatrix,withoutnormalization')
　　
　　#Plotnormalizedconfusionmatrix
　　
　　plt.figure()
　　
　　plot_confusion_matrix(cnf_matrix,classes=class_names,normalize=True,
　　
　　title='Normalizedconfusionmatrix')
　　
　　plt.show()

Confusionmatrix,withoutnormalization
　　
　　[[1300]
　　
　　[0106]
　　
　　[009]]
　　
　　Normalizedconfusionmatrix
　　
　　[[1.0.0.]
　　
　　[0.0.620.38]
　　
　　[0.0.1.]]

好了，大家可以消化学习下哦~如需了解更多python实用知识，点击进入PyThon学习网教学中心。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。

相关文章阅读