我們在這里提供兩種不同的應用場合：

1.如果你已經通過實驗后有了矩陣數據，那么就可以直接利用這一方法，源碼如下：

from sklearn.metrics import confusion_matrix # 生成混淆矩陣函數 import matplotlib.pyplot as plt # 繪圖庫 import numpy as npdef plot_confusion_matrix(cm, labels_name, title):cm = cm / cm.sum(axis=1)[:, np.newaxis] # 歸一化plt.imshow(cm, interpolation='nearest') # 在特定的窗口上顯示圖像plt.title(title) # 圖像標題plt.colorbar()num_class = np.array(range(len(labels_name)))#獲取標簽的間隔數 plt.xticks(num_class, labels_name, rotation=90) # 將標簽印在x軸坐標上plt.yticks(num_class, labels_name) # 將標簽印在y軸坐標上plt.ylabel('True label') plt.xlabel('Predicted label')plt.show()#這里cm為你事先已經獲得矩陣數據，一般為list類型 cm = [[5, 0, 0, 0],[1, 4, 0, 0],[0, 0, 5, 0],[1, 0, 0, 2]] cm = np.array(cm) #將list類型轉換成數組類型，如果已經是numpy數組類型，則忽略此步驟。 labels_name = ['1','2','3','4']#這里個橫縱坐標標簽集合賦值 plot_confusion_matrix(cm,labels_name,"confusion_matrix")#調用函數

結果如圖：

2.如果你是在訓練網絡的過程中想要在訓練結束后繪制混淆矩陣，那么就需在上面的代碼上稍作修改：
?

from sklearn.metrics import confusion_matrix # 生成混淆矩陣函數 import matplotlib.pyplot as plt # 繪圖庫 import numpy as np import tensorflow as tfdef plot_confusion_matrix(cm, labels_name, title):cm = cm / cm.sum(axis=1)[:, np.newaxis] # 歸一化plt.imshow(cm, interpolation='nearest') # 在特定的窗口上顯示圖像plt.title(title) # 圖像標題plt.colorbar()num_class = np.array(range(len(labels_name)))#獲取標簽的間隔數 plt.xticks(num_class, labels_name, rotation=90) # 將標簽印在x軸坐標上plt.yticks(num_class, labels_name) # 將標簽印在y軸坐標上plt.ylabel('True label') plt.xlabel('Predicted label')plt.show()#這里通過list類型的標簽數據來生成混淆矩陣 y_true = [.......] #這里要想辦法將你的實際標簽類別轉換成list類型 pred_y = [.......] #這里要想辦法將你的預測標簽類別轉換成list類型，一般網絡的最后一層通常是類別，這里根據你的網絡來獲得 cm = confusion_matrix(y_true,pred_y)cm = np.array(cm) #將list類型轉換成數組類型，如果已經是numpy數組類型，則忽略此步驟。 labels_name = ['1','2','3','4']#這里個橫縱坐標標簽集合賦值 plot_confusion_matrix(cm,labels_name,"confusion_matrix")#調用函數

實驗結果與上圖類似。

總結

以上是生活随笔為你收集整理的利用python画混淆矩阵的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。