Python利用matplotlib绘制混淆矩阵详解
本文详细介绍如何在Python中使用matplotlib库可视化打印混淆矩阵，涵盖sklearn.metrics.confusion_matrix与tf.confusion_matrix两个核心API的参数解析、对比及完整代码示例，帮助开发者直观评估分类模型性能。
混淆矩阵可视化背景与目的
在前面的讨论中，我们提到混淆矩阵是处理分类问题时至关重要的评估指标。那么，如何更直观地展示这一矩阵呢？直接生成表格或进行前端可视化是常见做法。笔者曾尝试使用前端工具（如D5）进行可视化并截图，但效果并不理想。
具体实现代码如下：
import itertools
import matplotlib.pyplot as plt
import numpy as np
def plot_confusion_matrix(cm, classes,
normalize=False,
title='Confusion matrix',
cmap=plt.cm.Blues):
"""
This function prints and plots the confusion matrix.
Normalization can be applied by setting `normalize=True`.
"""
if normalize:
cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]
print("Normalized confusion matrix")
else:
print('Confusion matrix, without normalization')
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' 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()
# plt.savefig('confusion_matrix',dpi=200)
cnf_matrix = np.array([
[4101, 2, 5, 24, 0],
[50, 3930, 6, 14, 5],
[29, 3, 3973, 4, 0],
[45, 7, 1, 3878, 119],
[31, 1, 8, 28, 3936],
])
class_names = ['Buildings', 'Farmland', 'Greenbelt', 'Wasteland', 'Water']
# plt.figure()
# plot_confusion_matrix(cnf_matrix, classes=class_names,
# title='Confusion matrix, without normalization')
# Plot normalized confusion matrix
plt.figure()
plot_confusion_matrix(cnf_matrix, classes=class_names, normalize=True,
title='Normalized confusion matrix')将上述代码放置于合适位置，即可生成混淆矩阵可视化结果。当然，这一步也可以在模型运行过程中直接完成可视化操作。
混淆矩阵原理与定义
补充知识：深入理解混淆矩阵(Confusion matrix)的原理及其在scikit-learn和TensorFlow中的具体应用。
混淆矩阵的基本原理
在机器学习领域，混淆矩阵是一种误差矩阵，常用于以可视化方式评估监督学习算法的性能。该矩阵是一个(n_classes, n_classes)大小的方阵，其中n_classes代表类别的数量。矩阵的每一行表示真实类别的实例，而每一列表示预测类别的实例（这是Tensorflow和scikit-learn采用的实现方式）。另一种定义（如Wikipedia所述）则是每一行表示预测类别的实例，每一列表示真实类别的实例。通过混淆矩阵，可以清晰地看出系统是否容易混淆两个特定的类别，这也是其名称的由来。
混淆矩阵本质上是一种特殊的列联表(contingency table)或交叉制表(cross tabulation/crosstab)。它包含两个维度：真实值（"actual"）和预测值（"predicted"），这两个维度具有相同的类别集合。在列联表中，每个维度和类别的组合构成一个变量，以表格形式可视化地展示多个变量的频率分布。
sklearn与TensorFlow API实现
混淆矩阵的具体使用方法（基于scikit-learn和TensorFlow）
接下来，我们将介绍在scikit-learn和TensorFlow中计算混淆矩阵的API接口函数，并通过一个示例展示这两个API函数的实际使用。
scikit-learn混淆矩阵函数：sklearn.metrics.confusion_matrix API接口
skearn.metrics.confusion_matrix(
y_true, # array, Gound true (correct) target values
y_pred, # array, Estimated targets as returned by a classifier
labels=None, # array, List of labels to index the matrix.
sample_weight=None # array-like of shape = [n_samples], Optional sample weights
)在scikit-learn库中，计算混淆矩阵主要用于评估分类任务的准确度。
根据定义，混淆矩阵C中的元素Ci,j等于真实值为组i且预测为组j的观测数量。因此，对于二分类任务，预测结果中正确的负例数(true negatives, TN)对应C0,0；错误的负例数(false negatives, FN)对应C1,0；真实的正例数对应C1,1；错误的正例数对应C0,1。
如果参数labels设置为None，scikit-learn会将出现在y_true或y_pred中的所有值添加到标记列表labels中，并按顺序排列。
TensorFlow混淆矩阵函数：tf.confusion_matrix API接口
tf.confusion_matrix(
labels, # 1-D Tensor of real labels for the classification task
predictions, # 1-D Tensor of predictions for a givenclassification
num_classes=None, # The possible number of labels the classification task can have
dtype=tf.int32, # Data type of the confusion matrix
name=None, # Scope name
weights=None, # An optional Tensor whose shape matches predictions
)TensorFlow中tf.confusion_matrix函数的num_classes参数含义与scikit-learn中sklearn.metrics.confusion_matrix的labels参数相近，均是与标记相关的参数，表示类别的总个数，但不列出具体标记值。在TensorFlow中，通常使用整数作为标记；若标记为字符串等非整数类型，需先转换为整数表示。如果num_classes参数为None，则会将labels和predictions中的最大值加1作为num_classes的值。
tf.confusion_matrix的weights参数与sklearn.metrics.confusion_matrix的sample_weight参数含义相同，均用于对预测值进行加权，在此基础上计算混淆矩阵单元的值。
完整代码示例与总结
代码使用示例
#!/usr/bin/env python
# -*- coding: utf8 -*-
"""
Author: klchang
Description:
A simple example for tf.confusion_matrix and sklearn.metrics.confusion_matrix.
Date: 2018.9.8
"""
from __future__ import print_function
import tensorflow as tf
import sklearn.metrics
y_true = [1, 2, 4]
y_pred = [2, 2, 4]
# Build graph with tf.confusion_matrix operation
sess = tf.InteractiveSession()
op = tf.confusion_matrix(y_true, y_pred)
op2 = tf.confusion_matrix(y_true, y_pred, num_classes=6, dtype=tf.float32, weights=tf.constant([0.3, 0.4, 0.3]))
# Execute the graph
print ("confusion matrix in tensorflow: ")
print ("1. default: \n", op.eval())
print ("2. customed: \n", sess.run(op2))
sess.close()
# Use sklearn.metrics.confusion_matrix function
print ("\nconfusion matrix in scikit-learn: ")
print ("1. default: \n", sklearn.metrics.confusion_matrix(y_true, y_pred))
print ("2. customed: \n", sklearn.metrics.confusion_matrix(y_true, y_pred, labels=range(6), sample_weight=[0.3, 0.4, 0.3]))以上就是利用Python中的matplotlib打印混淆矩阵的完整实例，希望能为大家提供参考，也欢迎大家继续支持本站。
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
