利用python画混淆矩阵

我们在这里提供两种不同的应用场合：

1.如果你已经通过实验后有了矩阵数据，那么就可以直接利用这一方法，源码如下：

from sklearn.metrics import confusion_matrix    # 生成混淆矩阵函数
import matplotlib.pyplot as plt    # 绘图库
import numpy as np

def plot_confusion_matrix(cm, labels_name, title):
    cm = cm / cm.sum(axis=1)[:, np.newaxis]    # 归一化
    plt.imshow(cm, interpolation='nearest')    # 在特定的窗口上显示图像
    plt.title(title)    # 图像标题
    plt.colorbar()
    num_class = np.array(range(len(labels_name)))#获取标签的间隔数    
    plt.xticks(num_class, labels_name, rotation=90)    # 将标签印在x轴坐标上
    plt.yticks(num_class, labels_name)    # 将标签印在y轴坐标上
    plt.ylabel('True label')    
    plt.xlabel('Predicted label')
    plt.show()

#这里cm为你事先已经获得矩阵数据，一般为list类型
cm = [[5, 0, 0, 0],
      [1, 4, 0, 0],
      [0, 0, 5, 0],
      [1, 0, 0, 2]] 
cm = np.array(cm) #将list类型转换成数组类型，如果已经是numpy数组类型，则忽略此步骤。
labels_name = ['1','2','3','4']#这里个横纵坐标标签集合赋值
plot_confusion_matrix(cm,labels_name,"confusion_matrix")#调用函数

结果如图：

2.如果你是在训练网络的过程中想要在训练结束后绘制混淆矩阵，那么就需在上面的代码上稍作修改：
 

from sklearn.metrics import confusion_matrix    # 生成混淆矩阵函数
import matplotlib.pyplot as plt    # 绘图库
import numpy as np
import tensorflow as tf

def plot_confusion_matrix(cm, labels_name, title):
    cm = cm / cm.sum(axis=1)[:, np.newaxis]    # 归一化
    plt.imshow(cm, interpolation='nearest')    # 在特定的窗口上显示图像
    plt.title(title)    # 图像标题
    plt.colorbar()
    num_class = np.array(range(len(labels_name)))#获取标签的间隔数    
    plt.xticks(num_class, labels_name, rotation=90)    # 将标签印在x轴坐标上
    plt.yticks(num_class, labels_name)    # 将标签印在y轴坐标上
    plt.ylabel('True label')    
    plt.xlabel('Predicted label')
    plt.show()

#这里通过list类型的标签数据来生成混淆矩阵
y_true = [.......] #这里要想办法将你的实际标签类别转换成list类型
pred_y = [.......] #这里要想办法将你的预测标签类别转换成list类型，一般网络的最后一层通常是类别，这里根据你的网络来获得
cm = confusion_matrix(y_true,pred_y)
 
cm = np.array(cm) #将list类型转换成数组类型，如果已经是numpy数组类型，则忽略此步骤。
labels_name = ['1','2','3','4']#这里个横纵坐标标签集合赋值
plot_confusion_matrix(cm,labels_name,"confusion_matrix")#调用函数

实验结果与上图类似。