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；