前面說過混淆矩陣是我們在處理分類問題時，很重要的指標，那麼如何更好的把混淆矩陣給打印出來呢，直接做表或者是前端視覺化，小編曾經就嘗試過用前端（D5）做出來，然後截圖，顯得不那麼好看。。

程式碼：

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,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,[45,7,1,3878,119],[31,8,28,3936],])
 
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,normalize=True,title='Normalized confusion matrix')

在放矩陣位置，放一下你的混淆矩陣就可以，當然視覺化混淆矩陣這一步也可以直接在模型執行中完成。

補充知識：混淆矩陣(Confusion matrix)的原理及使用(scikit-learn 和 tensorflow)

原理

在機器學習中,混淆矩陣是一個誤差矩陣,常用來視覺化地評估監督學習演算法的效能. 混淆矩陣大小為 (n_classes,n_classes) 的方陣,其中 n_classes 表示類的數量. 這個矩陣的每一行表示真實類中的例項,而每一列表示預測類中的例項 (Tensorflow 和 scikit-learn 採用的實現方式). 也可以是,每一行表示預測類中的例項,而每一列表示真實類中的例項 (Confusion matrix From Wikipedia 中的定義). 通過混淆矩陣,可以很容易看出系統是否會弄混兩個類,這也是混淆矩陣名字的由來.

混淆矩陣是一種特殊型別的列聯表(contingency table)或交叉製表(cross tabulation or crosstab). 其有兩維 (真實值 "actual" 和 預測值 "predicted" ),這兩維都具有相同的類("classes")的集合. 在列聯表中,每個維度和類的組合是一個變數. 列聯表以表的形式,視覺化地表示多個變數的頻率分佈.

使用混淆矩陣( scikit-learn 和 Tensorflow)

下面先介紹在 scikit-learn 和 tensorflow 中計算混淆矩陣的 API (Application Programming Interface) 介面函式,然後在一個示例中,使用這兩個 API 函式.

scikit-learn 混淆矩陣函式 sklearn.metrics.confusion_matrix API 介面

skearn.metrics.confusion_matrix(
 y_true,# array,Gound true (correct) target values
 y_pred,Estimated targets as returned by a classifier
 labels=None,List of labels to index the matrix.
 sample_weight=None # array-like of shape = [n_samples],Optional sample weights
)

在 scikit-learn 中,計算混淆矩陣用來評估分類的準確度.

按照定義,混淆矩陣 C 中的元素 Ci,j 等於真實值為組 i,而預測為組 j 的觀測數(the number of observations). 所以對於二分類任務,預測結果中,正確的負例數(true negatives,TN)為 C0,0; 錯誤的負例數(false negatives,FN)為 C1,0; 真實的正例數為 C1,1; 錯誤的正例數為 C0,1.

如果 labels 為 None,scikit-learn 會把在出現在 y_true 或 y_pred 中的所有值新增到標記列表 labels 中,並排好序.

Tensorflow 混淆矩陣函式 tf.confusion_matrix API 介面

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 tf.confusion_matrix 中的 num_classes 引數的含義,與 scikit-learn sklearn.metrics.confusion_matrix 中的 labels 引數相近,是與標記有關的引數,表示類的總個數,但沒有列出具體的標記值. 在 Tensorflow 中一般是以整數作為標記,如果標記為字串等非整數型別,則需先轉為整數表示. 如果 num_classes 引數為 None,則把 labels 和 predictions 中的最大值 + 1,作為num_classes 引數值.

tf.confusion_matrix 的 weights 引數和 sklearn.metrics.confusion_matrix 的 sample_weight 引數的含義相同,都是對預測值進行加權,在此基礎上,計算混淆矩陣單元的值.

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 = [1,4]
y_pred = [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",labels=range(6),sample_weight=[0.3,0.3]))

以上這篇利用python中的matplotlib列印混淆矩陣例項就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。