论文图片绘制 Python绘制多分类混淆矩阵及可视化(颜色随正确率渐变)

论文图片绘制 Python绘制duofenlei 混淆矩阵及可视化(颜色随正确率渐变)

需求

论文中对多分类评价需要
混淆矩阵已获得，需要可视化

给出数据

混淆矩阵的定义以及如何读图不再描述，这里仅给出绘制方法

给出数据：8分类任务

 [451, 1,  12,  6,  1,   3,   5,  2],[18, 451, 25,  19, 24,  14,  7,  2],[41, 27,  487, 2,  15,  2,   24, 3],[14, 20,  4,   395, 7,   16,  15, 5],[1,  8,   30,  25, 421, 16,  14, 14],[13, 18,  1,   15, 13,  455, 18, 19],[19, 7,   12,  17, 4,   21,  352,15],[15, 23,  31,  15, 3,   9,   15, 458]

实验代码

给出所需的包
numpy和matplotlib

import numpy as np
import matplotlib.pyplot as plt
from matplotlib import rcParams

定义分类标签

classes = ['1', '2', '3', '4', '5', '6', '7', '8']

这里可以修改为自己所需的标签以及分类任务，如二分类只需要两个标签，若标签为“花、草、鱼……”自行进行修改即可

将混淆矩阵数据放到矩阵中，如

confusion_matrix = np.array([[451, 1,  12,  6,  1,   3,   5,  2],[18, 451, 25,  19, 24,  14,  7,  2],[41, 27,  487, 2,  15,  2,   24, 3],[14, 20,  4,   395, 7,   16,  15, 5],[1,  8,   30,  25, 421, 16,  14, 14],[13, 18,  1,   15, 13,  455, 18, 19],[19, 7,   12,  17, 4,   21,  352,15],[15, 23,  31,  15, 3,   9,   15, 458]], dtype=np.int)  # 输入特征矩阵

矩阵初始化

proportion = []
length = len(confusion_matrix)
print(length)
for i in confusion_matrix:for j in i:temp = j / (np.sum(i))proportion.append(temp)
# print(np.sum(confusion_matrix[0]))
# print(proportion)
pshow = []
for i in proportion:pt = "%.2f%%" % (i * 100)pshow.append(pt)
proportion = np.array(proportion).reshape(length, length)  # reshape(列的长度，行的长度)
pshow = np.array(pshow).reshape(length, length)

设置混淆矩阵图片样式

# print(pshow)
config = {"font.family": 'Times New Roman',  # 设置字体类型
}
rcParams.update(config)
plt.imshow(proportion, interpolation='nearest', cmap=plt.cm.Blues)  # 按照像素显示出矩阵
# (改变颜色：'Greys', 'Purples', 'Blues', 'Greens', 'Oranges', 'Reds','YlOrBr', 'YlOrRd',
# 'OrRd', 'PuRd', 'RdPu', 'BuPu','GnBu', 'PuBu', 'YlGnBu', 'PuBuGn', 'BuGn', 'YlGn')
# plt.title('confusion_matrix')
plt.colorbar()
tick_marks = np.arange(len(classes))
plt.xticks(tick_marks, classes, fontsize=12)
plt.yticks(tick_marks, classes, fontsize=12)

计算准确率数值及颜色渐变设置

iters = np.reshape([[[i, j] for j in range(length)] for i in range(length)], (confusion_matrix.size, 2))
for i, j in iters:if (i == j):plt.text(j, i - 0.12, format(confusion_matrix[i, j]), va='center', ha='center', fontsize=10, color='white',weight=5)  # 显示对应的数字plt.text(j, i + 0.12, pshow[i, j], va='center', ha='center', fontsize=10, color='white')else:plt.text(j, i - 0.12, format(confusion_matrix[i, j]), va='center', ha='center', fontsize=10)  # 显示对应的数字plt.text(j, i + 0.12, pshow[i, j], va='center', ha='center', fontsize=10)plt.ylabel('True label', fontsize=16)
plt.xlabel('Predict label', fontsize=16)
plt.tight_layout()
plt.show()
# plt.savefig('混淆矩阵.png')

展示

需要n分类如何修改？

以二分类为例，只需要修改两个地方
classes = ['1', '2']
confusion_matrix = np.array( [ [96, 4], [2, 98] ], dtype=np.int) # 输入特征矩阵

大功告成

完整代码

# confusion_matrix
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import rcParamsclasses = ['1', '2', '3', '4', '5', '6', '7', '8']
confusion_matrix = np.array([[451, 1,  12,  6,  1,   3,   5,  2],[18, 451, 25,  19, 24,  14,  7,  2],[41, 27,  487, 2,  15,  2,   24, 3],[14, 20,  4,   395, 7,   16,  15, 5],[1,  8,   30,  25, 421, 16,  14, 14],[13, 18,  1,   15, 13,  455, 18, 19],[19, 7,   12,  17, 4,   21,  352,15],[15, 23,  31,  15, 3,   9,   15, 458]], dtype=np.int)  # 输入特征矩阵
proportion = []
length = len(confusion_matrix)
print(length)
for i in confusion_matrix:for j in i:temp = j / (np.sum(i))proportion.append(temp)
# print(np.sum(confusion_matrix[0]))
# print(proportion)
pshow = []
for i in proportion:pt = "%.2f%%" % (i * 100)pshow.append(pt)
proportion = np.array(proportion).reshape(length, length)  # reshape(列的长度，行的长度)
pshow = np.array(pshow).reshape(length, length)
# print(pshow)
config = {"font.family": 'Times New Roman',  # 设置字体类型
}
rcParams.update(config)
plt.imshow(proportion, interpolation='nearest', cmap=plt.cm.Blues)  # 按照像素显示出矩阵
# (改变颜色：'Greys', 'Purples', 'Blues', 'Greens', 'Oranges', 'Reds','YlOrBr', 'YlOrRd',
# 'OrRd', 'PuRd', 'RdPu', 'BuPu','GnBu', 'PuBu', 'YlGnBu', 'PuBuGn', 'BuGn', 'YlGn')
# plt.title('confusion_matrix')
plt.colorbar()
tick_marks = np.arange(len(classes))
plt.xticks(tick_marks, classes, fontsize=12)
plt.yticks(tick_marks, classes, fontsize=12)thresh = confusion_matrix.max() / 2.
# iters = [[i,j] for i in range(len(classes)) for j in range((classes))]iters = np.reshape([[[i, j] for j in range(length)] for i in range(length)], (confusion_matrix.size, 2))
for i, j in iters:if (i == j):plt.text(j, i - 0.12, format(confusion_matrix[i, j]), va='center', ha='center', fontsize=10, color='white',weight=5)  # 显示对应的数字plt.text(j, i + 0.12, pshow[i, j], va='center', ha='center', fontsize=10, color='white')else:plt.text(j, i - 0.12, format(confusion_matrix[i, j]), va='center', ha='center', fontsize=10)  # 显示对应的数字plt.text(j, i + 0.12, pshow[i, j], va='center', ha='center', fontsize=10)plt.ylabel('True label', fontsize=16)
plt.xlabel('Predict label', fontsize=16)
plt.tight_layout()
plt.show()
# plt.savefig('混淆矩阵.png')

论文图片绘制 Python绘制多分类混淆矩阵及可视化(颜色随正确率渐变)相关推荐

python多分类混淆矩阵代码_深度学习自学记录（3）——两种多分类混淆矩阵的Python实现（含代码）...
深度学习自学记录(3)--两种多分类混淆矩阵的Python实现(含代码),矩阵,样本,模型,类别,真实深度学习自学记录(3)--两种多分类混淆矩阵的Python实现(含代码) 深度学习自学记录(3) ...
matplotlib绘制混淆矩阵_混淆矩阵及其可视化
混淆矩阵(Confusion Matrix)是机器学习中用来总结分类模型预测结果的一个分析表,是模式识别领域中的一种常用的表达形式.它以矩阵的形式描绘样本数据的真实属性和分类预测结果类型之间的关系,是 ...
python matplotlib绘图、混淆矩阵汉字字体、数字、英文字母的设置
最近在写一篇文章的时候,文章对图片格式有要求:图中汉字用宋体六号.数字和英文字母用新罗马字体,这些都需要在一张图中表现出来.经过一番查找摸索,现归纳整理如下: 对坐标轴设置现假设有如下要求:在一张图 ...
数据分享|PYTHON用决策树分类预测糖尿病和可视化实例
全文下载链接:http://tecdat.cn/?p=23848 在本文中,决策树是对例子进行分类的一种简单表示.它是一种有监督的机器学习技术,数据根据某个参数被连续分割.决策树分析可以帮助解决分类和 ...
R语言自定义多分类混淆矩阵可视化函数（mutlti class confusion matrix）、R语言多分类混淆矩阵可视化
R语言自定义多分类混淆矩阵可视化函数(mutlti class confusion matrix).R语言多分类混淆矩阵可视化目录
scikit-learn 多分类混淆矩阵
注:有些markdown语法没渲染出来,可以简书查看:scikit-learn 多分类混淆矩阵前面 sklearn.metrics.multilabel_confusion_matrix 是 sci ...
R语言使用lightgbm包构建多分类的LightGBM模型、caret包的confusionMatrix函数输出多分类混淆矩阵（包含：准确率及其置信区、p值、Kappa、特异度、灵敏度等）
R语言使用lightgbm包构建多分类的LightGBM模型.caret包的confusionMatrix函数输出多分类混淆矩阵(包含:准确率及其置信区.p值.Kappa.特异度.灵敏度等) 目录
Python使用pandas_ml输出混淆矩阵以及从混淆矩阵衍生出来的其他指标：TP、TN、FP、FN、TPR、TNR（SPC）、PPV、NPV、FPR、FDR、FNR、ACC、F1、MCC等
Python使用pandas_ml输出混淆矩阵以及从混淆矩阵衍生出来的其他指标:TP.TN.FP.FN.TPR.TNR(SPC).PPV.NPV.FPR.FDR.FNR.ACC.F1.MCC等目录 ...
sklearn使用投票器VotingClassifier算法构建多模型融合的软投票器分类器（soft voting）并自定义子分类器的权重（weights）、计算融合模型的混淆矩阵、可视化混淆矩阵
sklearn使用投票器VotingClassifier算法构建多模型融合的软投票器分类器(soft voting)并自定义子分类器的权重(weights).计算融合模型的混淆矩阵.可视化混淆矩阵目 ...

论文图片绘制 Python绘制多分类混淆矩阵及可视化(颜色随正确率渐变)

论文图片绘制 Python绘制duofenlei 混淆矩阵及可视化(颜色随正确率渐变)

需求

给出数据

实验代码

展示

需要n分类如何修改？

完整代码

论文图片绘制 Python绘制多分类混淆矩阵及可视化(颜色随正确率渐变)相关推荐

最新文章

热门文章