python 多分类混淆矩阵图代码

原创

mob64ca12e2ba6f 2024-11-11 05:43:50 ©著作权

©著作权归作者所有：来自51CTO博客作者mob64ca12e2ba6f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 绘制多分类混淆矩阵图

在机器学习模型的评估过程中，混淆矩阵是非常重要的工具。它可以帮助我们了解分类模型的性能，尤其是在多分类问题中。本文将逐步指导你如何使用 Python 绘制多分类混淆矩阵图。我们将通过实际代码演示整个过程。

流程概述

下面的表格展示了实现多分类混淆矩阵图的主要步骤：

步骤	描述
1	准备数据
2	训练分类模型
3	进行预测
4	生成混淆矩阵
5	绘制混淆矩阵图

接下来，我们将逐步详细阐述每一个步骤。

1. 准备数据

我们需要一个多类别的数据集。这里我们可以使用 Scikit-Learn 中的 Iris 数据集。下面是准备数据的代码：

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载 Iris 数据集
iris = load_iris()
X = iris.data  # 特征数据
y = iris.target  # 标签数据

# 分割数据成训练集和测试集（70%训练，30%测试）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 输出数据的形状
print("训练集特征形状:", X_train.shape)
print("测试集特征形状:", X_test.shape)

代码解读：

load_iris(): 从 Scikit-Learn 中加载 Iris 数据集。
train_test_split(): 将数据分成训练和测试集。

2. 训练分类模型

我们接下来将采用随机森林分类器作为我们的模型。以下是相关的代码：

from sklearn.ensemble import RandomForestClassifier

# 创建随机森林分类器实例
model = RandomForestClassifier(n_estimators=100, random_state=42)

# 在训练集上训练模型
model.fit(X_train, y_train)

代码解读：

RandomForestClassifier(): 创建随机森林分类器的实例。
fit(): 在训练集上训练模型。

3. 进行预测

使用训练好的模型对测试集进行预测：

# 使用模型对测试数据进行预测
y_pred = model.predict(X_test)

# 输出预测结果
print("预测结果:", y_pred)

代码解读：

predict(): 使用训练好的模型对测试集进行预测。

4. 生成混淆矩阵

我们可以使用 Scikit-Learn 提供的工具来生成混淆矩阵：

from sklearn.metrics import confusion_matrix
import seaborn as sns
import matplotlib.pyplot as plt

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

# 输出混淆矩阵
print("混淆矩阵:\n", cm)

代码解读：

confusion_matrix(): 生成混淆矩阵，用于评估模型的性能。

5. 绘制混淆矩阵图

最后一步是绘制混淆矩阵图。我们将使用 Seaborn 和 Matplotlib 库来实现：

# 绘制热图
plt.figure(figsize=(8, 6))
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues',
            xticklabels=iris.target_names,
            yticklabels=iris.target_names)

plt.xlabel('预测标签')
plt.ylabel('真实标签')
plt.title('多分类混淆矩阵')
plt.show()

代码解读：

sns.heatmap(): 使用 Seaborn 库绘制热图，annot=True 表示在热图上显示数值。
xticklabels 和 yticklabels: 用于设置 x 轴和 y 轴的标签。

序列图

以下是整个过程的序列图，为你提供一个更直观的理解：

sequenceDiagram
    participant User
    participant DataPreparation
    participant ModelTraining
    participant Prediction
    participant ConfusionMatrix
    participant Plotting

    User->>DataPreparation: 准备数据
    DataPreparation-->>User: 返回训练集和测试集
    User->>ModelTraining: 训练模型
    ModelTraining-->>User: 返回训练好的模型
    User->>Prediction: 进行预测
    Prediction-->>User: 返回预测结果
    User->>ConfusionMatrix: 生成混淆矩阵
    ConfusionMatrix-->>User: 返回混淆矩阵数据
    User->>Plotting: 绘制混淆矩阵图
    Plotting-->>User: 显示混淆矩阵图