Hướng dẫn how to draw confusion matrix in python - cách vẽ ma trận nhầm lẫn trong python

Không dùng nữa: Hàm plot_confusion_matrix không được dùng để loại bỏ trong 1.0 và sẽ bị xóa trong 1.2. Sử dụng một trong các phương thức lớp: nhầm lẫnMatrixDisplay.From_Predictions hoặc InfusionMatrixDisplay.From_estimator.

Âm mưu ma trận nhầm lẫn.

plot_confusion_matrix không được dùng để loại bỏ trong 1.0 và sẽ bị loại bỏ trong 1.2. Sử dụng một trong các phương thức lớp sau: from_predictions hoặc from_estimator.

Đọc thêm trong Hướng dẫn sử dụng.User Guide.

Phân loại được trang bị hoặc một Pipeline được trang bị trong đó công cụ ước tính cuối cùng là một trình phân loại.

Giá trị đầu vào.

Giá trị mục tiêu.

Danh sách các nhãn để lập chỉ mục ma trận. Điều này có thể được sử dụng để sắp xếp lại hoặc chọn một tập hợp con của nhãn. Nếu None được đưa ra, những người xuất hiện ít nhất một lần trong y_true hoặc y_pred được sử dụng theo thứ tự được sắp xếp.

Trọng lượng mẫu.

Để bình thường hóa hiển thị số đếm trong ma trận:

• Nếu 'true', ma trận nhầm lẫn được chuẩn hóa trong các điều kiện thực (ví dụ: các hàng);

• Nếu plot_confusion_matrix0, ma trận nhầm lẫn được chuẩn hóa trong các điều kiện dự đoán (ví dụ: cột);

• Nếu plot_confusion_matrix1, ma trận nhầm lẫn được chuẩn hóa bởi tổng số mẫu;

• Nếu None (mặc định), ma trận nhầm lẫn sẽ không được chuẩn hóa.

Tên mục tiêu được sử dụng để vẽ đồ thị. Theo mặc định, plot_confusion_matrix3 sẽ được sử dụng nếu nó được xác định, nếu không các nhãn duy nhất của y_true và y_pred sẽ được sử dụng.

Bao gồm các giá trị trong ma trận nhầm lẫn.

Xoay của nhãn XTICK.

Định dạng đặc tả cho các giá trị trong ma trận nhầm lẫn. Nếu None, đặc tả định dạng là ‘D, hoặc‘ .2g, tùy theo thời gian ngắn hơn.

Colormap được công nhận bởi matplotlib.

Trục đối tượng để vẽ trên. Nếu None, một hình và trục mới được tạo ra.

Có hay không thêm một colorbar vào cốt truyện.

Mới trong phiên bản 0.24.

Đối tượng lưu trữ các giá trị tính toán.

Ví dụ

>>> import matplotlib.pyplot as plt
>>> from sklearn.datasets import make_classification
>>> from sklearn.metrics import plot_confusion_matrix
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.svm import SVC
>>> X, y = make_classification(random_state=0)
>>> X_train, X_test, y_train, y_test = train_test_split(
...         X, y, random_state=0)
>>> clf = SVC(random_state=0)
>>> clf.fit(X_train, y_train)
SVC(random_state=0)
>>> plot_confusion_matrix(clf, X_test, y_test)  
>>> plt.show()