【论文必用】Python绘制混淆矩阵-Toy模板网

这篇具有很好参考价值的文章主要介绍了【论文必用】Python绘制混淆矩阵。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

一、混淆矩阵介绍

混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。每一列中的数值表示真实数据被预测为该类的数目。

以下图为例，第一行的数值总和为2+0+0=2，表示ant类别共有2个样本，其中，有2个样本被预测为ant类别，0个样本被预测为bird类别，0个样本被预测为cat类别，即ant类别的图像全预测正确了。其他行同理。
【论文必用】Python绘制混淆矩阵
上面这个混淆矩阵并没有归一化，对其进行归一化后的结果如下。以第三行为例进行解释：0.33表示有33%的cat图像被预测为了ant，0%的cat图像被预测为bird，也即没有cat图像被预测为bird，67%的cat图像被预测为cat。
【论文必用】Python绘制混淆矩阵
上面说这么多，主要是想让大家直观地理解混淆矩阵到底是怎么一回事。总是，混淆矩阵可以让我们清晰地看到网络的错分情况。

二、绘制混淆矩阵

在下面这个代码中，主要用到的两个函数分别是：库函数confusion_matrix 和 自定义函数plot_confusion_matrix。其中，库函数只需要安装【scikit】包，具体安装命令如下。

【论文必用】Python绘制混淆矩阵
自定义函数plot_confusion_matrix大家直接粘贴下面的代码就行。

实际应用时，大家只需要 改一下 下述代码中的 真实标签y_true 和 预测标签y_pred ，及 标签名称label_name 即可。需要注意的是 label_name的顺序是按0，1，2的顺序排的 ，即因为ant的数字标签为0，因此它在第一位，bird的数字标签为1，因此它在第二位，cat的数字标签为2，因此它在第三位。以此类推。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix



# 绘制混淆矩阵的函数
def plot_confusion_matrix(cm, labels_name, title="Confusion Matrix",  is_norm=True,  colorbar=True, cmap=plt.cm.Blues):
    if is_norm==True:
        cm = np.around(cm.astype('float') / cm.sum(axis=1)[:, np.newaxis],2)  # 横轴归一化并保留2位小数

    plt.imshow(cm, interpolation='nearest', cmap=cmap)  # 在特定的窗口上显示图像
    for i in range(len(cm)):
        for j in range(len(cm)):
            plt.annotate(cm[j, i], xy=(i, j), horizontalalignment='center', verticalalignment='center') # 默认所有值均为黑色
            # plt.annotate(cm[j, i], xy=(i, j), horizontalalignment='center', color="white" if i==j else "black", verticalalignment='center') # 将对角线值设为白色
    if colorbar:
        plt.colorbar() # 创建颜色条

    num_local = np.array(range(len(labels_name)))
    plt.xticks(num_local, labels_name)  # 将标签印在x轴坐标上
    plt.yticks(num_local, labels_name)  # 将标签印在y轴坐标上
    plt.title(title)  # 图像标题
    plt.ylabel('True label')
    plt.xlabel('Predicted label')

    if is_norm==True:
        plt.savefig(r'.\cm_norm_' + '.png', format='png')
    else:
        plt.savefig(r'.\cm_' + '.png', format='png')
    plt.show() # plt.show()在plt.savefig()之后
    plt.close()



y_true = [2, 0, 2, 2, 0, 1] # 真实标签
y_pred = [0, 0, 2, 2, 0, 2] # 预测标签
label_name = ['ant', 'bird', 'cat']
cm = confusion_matrix(y_true, y_pred) # 调用库函数confusion_matrix
plot_confusion_matrix(cm, label_name, "Confusion Matrix", is_norm=False) # 调用上面编写的自定义函数
plot_confusion_matrix(cm, label_name, "Confusion Matrix", is_norm=True) # 经过归一化的混淆矩阵