python 混淆矩阵保存一个小数

原创

mob64ca12d80f3a 2024-09-02 04:30:56 ©著作权

文章标签 混淆矩阵 python 数据 文章分类 Python 后端开发

©著作权归作者所有：来自51CTO博客作者mob64ca12d80f3a的原创作品，请联系作者获取转载授权，否则将追究法律责任

使用 Python 保存混淆矩阵的小数值

在进行机器学习时，混淆矩阵是评估分类模型性能的重要工具。有时候，我们需要将混淆矩阵中的值保存为小数格式，以便于更细致的分析和可视化。本文将引导您逐步完成这个任务，并最终得出混淆矩阵图。

流程概述

为实现“Python混淆矩阵保存一个小数”的目标，您需要按照以下步骤进行操作：

步骤	操作说明
1	导入必要的库
2	准备测试和训练数据
3	训练分类模型
4	进行预测并生成混淆矩阵
5	将混淆矩阵保存为小数并可视化
6	生成可视化图表

1. 导入必要的库

首先，我们需要导入数据处理、模型构建、混淆矩阵生成等所需的库。

import numpy as np  # 用于支持数值计算
import matplotlib.pyplot as plt  # 用于绘图
import seaborn as sns  # 用于美化绘图
from sklearn.model_selection import train_test_split  # 用于数据分割
from sklearn.metrics import confusion_matrix  # 用于生成混淆矩阵
from sklearn.ensemble import RandomForestClassifier  # 示例：随机森林模型

2. 准备测试和训练数据

通常我们会使用一个现有的数据集，下面是一个创建随机数据的示例。

# 创建一些示例数据
from sklearn.datasets import make_classification

# 生成样本数据
X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42)

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

3. 训练分类模型

在这里，我们将使用随机森林模型进行训练。

# 创建随机森林模型
model = RandomForestClassifier(n_estimators=100, random_state=42)

# 训练模型
model.fit(X_train, y_train)

4. 进行预测并生成混淆矩阵

在训练完模型后，我们需要对测试集进行预测并生成混淆矩阵。

# 进行预测
y_pred = model.predict(X_test)

# 生成混淆矩阵
cm = confusion_matrix(y_test, y_pred)

5. 将混淆矩阵保存为小数并可视化

接下来，我们需要将混淆矩阵中的值转换为小数并进行可视化。

# 计算混淆矩阵的小数形式
cm_normalized = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]

# 可视化混淆矩阵
plt.figure(figsize=(8, 6))
sns.heatmap(cm_normalized, annot=True, fmt=".2f", cmap='Blues')  # fmt=".2f" 保持小数点后两位
plt.xlabel('Predicted label')
plt.ylabel('True label')
plt.title('Normalized Confusion Matrix')
plt.show()

6. 生成可视化图表

为了更好地理解混淆矩阵，有时使用饼状图来表示正常和错误分类的比例也是一种方法。下面是用 mermaid 语法生成饼状图的示例。

pie
    title 混淆矩阵的分类情况
    "正确分类": 75
    "错误分类": 25

创建类图示例

在软件工程中，您还可以使用类图来展示设计结构。以下是使用 mermaid 语法展示该过程的一个类图示例。

classDiagram
    class DataPreparation {
        +create_dataset()
        +split_dataset()
    }

    class ModelTraining {
        +train_model()
        +predict()
    }

    class ConfusionMatrix {
        +generate_matrix()
        +visualize()
    }

    DataPreparation --> ModelTraining: Prepares data for
    ModelTraining --> ConfusionMatrix: Generates