基于matplotlib绘制混淆矩阵与正确率曲线详解

Mia

发布时间：2026-10-14| 5人浏览过

原创

本文详细介绍如何使用matplotlib库绘制混淆矩阵与正确率曲线。通过展示分类模型预测结果与真实属性的矩阵关系，直观评估分类器性能。同时，结合训练与测试数据的迭代过程，绘制正确率变化曲线，辅助分析模型收敛情况与泛化能力。

混淆矩阵

混淆矩阵（Confusion Matrix）是机器学习中用于总结分类模型预测结果的分析工具，也是模式识别领域常见的表达形式。它通过矩阵形式展示样本数据的真实属性与分类预测结果之间的关系，是评价分类器性能的重要手段。

我们可以通过一个简单示例来直观理解混淆矩阵的具体应用。


#!/usr/bin/python3.5
# -*- coding: utf-8 -*-
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['FangSong']  #可显示中文字符
plt.rcParams['axes.unicode_minus']=False
classes = ['a','b','c','d','e','f','g']
confusion_matrix = np.array([(99,1,2,2,0,0,6),(1,98,7,6,2,1,1),(0,0,86,0,0,2,0),(0,0,0,86,1,0,0),(0,0,0,1,94,1,0),(0,1,5,1,0,96,8),(0,0,0,4,3,0,85)],dtype=np.float64)
 
plt.imshow(confusion_matrix, interpolation='nearest', cmap=plt.cm.Oranges)  #按照像素显示出矩阵
plt.title('混淆矩阵')
plt.colorbar()
tick_marks = np.arange(len(classes))
plt.xticks(tick_marks, classes, rotation=-45)
plt.yticks(tick_marks, classes)
 
thresh = confusion_matrix.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(7)] for i in range(7)],(confusion_matrix.size,2))
for i, j in iters:
    plt.text(j, i, format(confusion_matrix[i, j]),fontsize=7)   #显示对应的数字
 
plt.ylabel('真实类别')
plt.xlabel('预测类别')
plt.tight_layout()
plt.show()

正确率曲线


    fig ,ax= plt.subplots()
    plt.plot(np.arange(iterations), fig_acc，'b')
    plt.plot(np.arange(iterations), fig_realacc, 'r')
    ax.set_xlabel('迭代次数')
    ax.set_ylabel('正确率（%）')
 
    labels = ["训练正确率", "测试正确率"]
    # labels = [l.get_label() for l in lns]
    plt.legend( labels, loc=7)
    plt.show()