混淆矩阵的画法-热图采用imshow

前面系列文章讲过数据挖掘的各种知识，最近在研究人类时空动力学分析和幂率定律，发现在人类兴趣转移模型中，可以通过热图（斑图）来进行描述的兴趣转移，如下图所示。下一篇文章将简单普及人类动力学相关知识研究。

这篇文章结合Matplotlib的imshow()函数，讲述热图（斑图）绘制及相关参数基础知识。希望文章对你有所帮助，如果文章中存在错误或不足之处，还请海涵。
matplotlib 是python最著名的2D绘图库，它提供了一整套和matlab相似的命令API，十分适合交互式地进行制图。而且也可以方便地将它作为绘图控件，嵌入GUI应用程序中。通过简单的绘图语句，就可以绘制出高质量的图了。

这里我们就主要讲一下inshow()函数的使用吧。

一、引入matplotlib函数库

如果你使用的是windows平台，大家可以直接下载对应版本的matplotlib库的exe文件安装即可。

使用下面的命令引入matplotlib的pyplot模块：

import matplotlib.pyplot as plt

为方便起见，这样我们就可以用plt来代替matplotlib.pyplot使用了。

二、Figure和Subplot

matplotlib的图像都位于Figure对象中，实际上就是创建了一个空的图像窗口。可以用plt.figure创建一个新的Figure。

fig = plt.figure()

不能通过空Figure绘图，必须用add_subplot()创建一个或多个子sunplot绘图区才能绘图。

ax = fig.add_subplot(221)

意思是：绘制2×2两行两列共4个subplot图像，当前选中第一个。编号从1开始。

得到如下的图像：

三、绘制z = sqrt(x^2+y2) 的二维函数输出图像

（1）准备数据

我们采用二维数组产生两个二维矩阵，对应于所有的（x，y）对。

要使用数组，我们使用NumPy 模块。

import numpy as np

points = np.arange(-5,5,0.01) #产生1000个-5到5等间隔的点

xs,ys = np.meshgrid(points,points) #np.meshgrid()接受两个一维数组产生两个二维矩阵（（x，y）对）。

z = np.sqrt(xs2+ys2) #计算z = sqrt(x^2+y2)的值

（2）绘图

ax = fig.add_subplot(221) #第一个子图

ax.imshow(z) #默认配置

ax = fig.add_subplot(222) #第一个子图

ax.imshow(z,cmap = plt.cm.gray) #第二个子图,使用自定义的colormap（灰度图）

ax = fig.add_subplot(223) #第一个子图

ax.imshow(z,cmap=plt.cm.cool) #第二个子图,使用自定义的colormap

ax = fig.add_subplot(224) #第一个子图

ax.imshow(z,cmap=plt.cm.hot) #第二个子图,使用自定义的colormap

plt.show() #显示图像

于是，漂亮的图像就出来了。

可是，细心的你发现，图的坐标怎么是0-1000呢？是这样的，我们给imshow传入z矩阵是1000×1000的，z的索引其实就是图像的坐标，而其值才是通过图的颜色表现出来的。

作者：好多鱼哦
来源：CSDN
原文：https://blog.csdn.net/shuke1991/article/details/50462580
版权声明：本文为博主原创文章，转载请附上博文链接！
二. imshow详解热图知识

热图(heatmap)是数据分析的常用方法,通过色差、亮度来展示数据的差异、易于理解。Python在Matplotlib库中,调用imshow()函数实现热图绘制。
参考资料:http://matplotlib.org/users/image_tutorial.html
源码介绍如下图所示:

作者：经年不往
来源：CSDN
原文：https://blog.csdn.net/mago2015/article/details/82896070
版权声明：本文为博主原创文章，转载请附上博文链接！在这里插入代码片

def plot_confusion_matrix(cm, classes,
                          title='Confusion matrix',
                          cmap=plt.cm.Blues):
    """
    This function prints and plots the confusion matrix.
    """
    plt.imshow(cm, interpolation='nearest', cmap=cmap)
    plt.title(title)
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=0)
    plt.yticks(tick_marks, classes)

    thresh = cm.max() / 2.
    for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
        plt.text(j, i, cm[i, j],
                 horizontalalignment="center",
                 color="white" if cm[i, j] > thresh else "black")

    plt.tight_layout()
    plt.ylabel('True label')
    plt.xlabel('Predicted label')
import itertools

def mixfig_down():
    lr = LogisticRegression(C=0.01, penalty='l1',solver='liblinear')
    lr.fit(X_train_undersample, y_train_undersample.values.ravel())
    y_pred_undersample = lr.predict(X_test_undersample.values)

    # Compute confusion matrix
    cnf_matrix = confusion_matrix(y_test_undersample, y_pred_undersample)
    np.set_printoptions(precision=2)

    print("Recall metric in the testing dataset: ", cnf_matrix[1, 1] / (cnf_matrix[1, 0] + cnf_matrix[1, 1]))

    # Plot non-normalized confusion matrix
    class_names = [0, 1]
    plt.figure()
    plot_confusion_matrix(cnf_matrix
                          , classes=class_names
                          , title='Confusion matrix')
    plt.show()

    #用下采样训练的模型验证原本的总样本
    #lr = LogisticRegression(C=best_c, penalty='l1',solver='liblinear')
    lr.fit(X_train_undersample, y_train_undersample.values.ravel())
    y_pred = lr.predict(X_test.values)
    # Compute confusion matrix
    cnf_matrix = confusion_matrix(y_test,y_pred)
    np.set_printoptions(precision=2)

    print("Recall metric in the testing dataset: ", cnf_matrix[1, 1] / (cnf_matrix[1, 0] + cnf_matrix[1, 1]))

    # Plot non-normalized confusion matrix
    class_names = [0, 1]
    plt.figure()
    plot_confusion_matrix(cnf_matrix
                          , classes=class_names
                          , title='Confusion matrix')
    plt.show()

mixfig_down()

lr=LogisticRegression(C=0.01,penalty='l1')
lr.fit(X_train_undersample,y_train_undersample.values.ravel())
y_pred_undersample_proba=lr.predict_proba(X_test_undersample.values)#概率值

thresholds=[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9]
plt.figure(figsize=(10,10))
j=1
for i in thresholds:
    y_test_predictions_high_recall=y_pred_undersample_proba[:,1]>i
    plt.subplot(3,3,j)
    j+=1
    cnf_matrix=confusion_matrix(y_test_undersample,y_test_predictions_high_recall)
    np.set_printoptions(precision=2)
    print("Recall metric in the testing dataset:",cnf_matrix[1,1]/(cnf_matrix[1,0]+cnf_matrix[1,1]))
    class_names=[0.1]
    plot_confusion_matrix(cnf_matrix,classes=class_names,title='Threshold>=%s'%i)