机器学习之混淆矩阵的两种画法（实战）

混淆矩阵主要用于表示分类精度,利用横轴为预测结果，纵轴为标准结果的表格图，可视化地展示算法的分类性能。 import seaborn as sns sns.set() C2 = confusion_matrix(y_test, y_predict, labels=[0,1,2]) # # 方法一 # f, ax = plt.subplots() # print(C2) # 打印出来看看 # sns.heatmap(C2, annot=True, ax=ax) # 画热力图 # # ax.set_title('混淆矩阵') # 标题 # ax.set_xlabel('predict') # x轴 # ax.set_ylabel('true') # y轴 # plt.show()

方法二：

plt.figure() classes = [0,1,2] plt.imshow(C2, interpolation='nearest', cmap=plt.cm.Oranges) # 按照像素显示出矩阵 plt.title('confusion_matrix') plt.colorbar() tick_marks = np.arange(len(classes)) plt.xticks(tick_marks, classes) plt.yticks(tick_marks, classes) thresh = C2.max() / 2. # iters = [[i,j] for i in range(len(classes)) for j in range((classes))] # ij配对，遍历矩阵迭代器 iters = np.reshape([[[i, j] for j in range(len(classes))] for i in range(len(classes))], (C2.size, 2)) for i, j in iters: plt.text(j, i, format(C2[i, j])) # 显示对应的数字 plt.ylabel('Real label') plt.xlabel('Prediction') plt.tight_layout() plt.show()

 

可以看出，因为数据量的严重不均衡，但是，模型的识别能力还是蛮不错的；