对于机器学习多分类模型来说，其评价指标除了精度之外，常用的还有混淆矩阵和分类报告，下面来展示一下如何绘制混淆矩阵，这在论文中经常会用到。
代码如下：
import itertools
import matplotlib.pyplot as plt
import numpy as np
# 绘制混淆矩阵
def plot_confusion_matrix(cm, classes, normalize=False, """
- cm : 计算出的混淆矩阵的值
- classes : 混淆矩阵中每一行每一列对应的列
- normalize : True:显示百分比, False:显示个数
"""
if normalize:
cm = cm.astype("float") / cm.sum(axis=1)[:, np.newaxis]
print("显示百分比：")
np.set_printoptions(formatter={"float": "{: 0.2f}".format})
print(cm)
else:
print("显示具体数字：")
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)
# matplotlib版本问题，如果不加下面这行代码，则绘制的混淆矩阵上下只能显示一半，有的版本的matplotlib不需要下面的代码，分别试一下即可
plt.ylim(len(classes) - 0.5, -0.5)
fmt = ".2f" if normalize else "d"
thresh = cm.max() / 2.
for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
plt.text(j, i, format(cm[i, j], fmt),
horizontalalignment="center",
color="white" if cm[i, j] > thresh else "black")
plt.tight_layout()
plt.ylabel("True label")
plt.xlabel("Predicted label")
plt.show()
测试数据：
cnf_matrix = np.array([[8707, 64, 731, 164, 45],
[1821, 5530, 79, 0, 28],
[266, 167, 1982, 4, 2],
[691, 0, 107, 1930, 26],
[30, 0, 111, 17, 42]])
attack_types = ["Normal", "DoS", "Probe", "R2L", "U2R"]
第一种情况：显示百分比
- plot_confusion_matrix(cnf_matrix, classes=attack_types, normalize=True, title="Normalized confusion matrix")
效果：
第二种情况：显示数字
- plot_confusion_matrix(cnf_matrix, classes=attack_types, normalize=False, title="Normalized confusion matrix")
效果：
到此这篇关于Matplotlib绘制混淆矩阵的实现的文章就介绍到这了,更多相关Matplotlib 混淆矩阵内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！
原文链接：https://blog.csdn.net/weixin_44072535/article/details/117304652
