如何画混淆矩阵 Python
混淆矩阵（Confusion Matrix）是机器学习中用于评估分类模型性能的常见工具。它将模型的预测结果与真实标签进行比较，并将其分为四个不同的类别：真正例（True Positive，TP）、假正例（False Positive，FP）、真反例（True Negative，TN）和假反例（False Negative，FN）。在 Python 中，我们可以使用一些库来绘制混淆矩阵，如 matplotlib 和 seaborn。
在本文中，我们将介绍如何使用 Python 画混淆矩阵。首先，我们需要安装 matplotlib 和 seaborn 库。可以使用以下命令来安装它们：
pip install matplotlib seaborn
接下来，我们将使用一个简单的示例来说明如何画混淆矩阵。假设我们有一个二分类模型，用于预测某个人是否患有某种疾病。我们有一组真实标签和模型的预测结果，如下所示：
| 真实标签 | 预测结果 |
|---|---|
| 1 | 1 |
| 1 | |
| 1 | 1 |
| 1 | |
首先，我们需要将真实标签和预测结果转换为 NumPy 数组。然后，我们可以使用 sklearn 库的 confusion_matrix 函数来计算混淆矩阵。接下来，我们可以使用 seaborn 库的 heatmap 函数绘制混淆矩阵。
以下是具体的代码示例：
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.metrics import confusion_matrix
# 真实标签和预测结果
y_true = np.array([1, 0, 1, 0, 1, 0])
y_pred = np.array([1, 1, 1, 0, 0, 0])
# 计算混淆矩阵
cm = confusion_matrix(y_true, y_pred)
# 绘制混淆矩阵
sns.heatmap(cm, annot=True, cmap='Blues', fmt='d')
plt.xlabel('Predicted')
plt.ylabel('True')
plt.show()
上述代码中，首先导入了需要的库。然后，我们定义了真实标签（y_true）和预测结果（y_pred）。接下来，使用 confusion_matrix 函数计算混淆矩阵，并将结果存储在 cm 变量中。最后，使用 seaborn 库的 heatmap 函数绘制混淆矩阵。heatmap 函数的参数包括：混淆矩阵（cm）、是否在矩阵中显示数值（annot）、颜色映射（cmap）和数值的格式（fmt）。
执行上述代码，将会得到如下的混淆矩阵图：
