import seaborn as sns
sns.set(font_scale=1.4) # y label 横向
import matplotlib.pyplot as plt'''
https://zhuanlan.zhihu.com/p/35494575
fmt ='.0%'#显示百分比
fmt ='f' 显示完整数字 = fmt ='g'
fmt ='.3'显示小数的位数 = fmt ='.3f' = fmt ='.3g'
'''confusion_matrix = pd.DataFrame(data = np.array([[99.9,  0.0,  0.0,  0.0,  0.0,  0.0,  0.0,  0.0],[0.0,  99.9,  0.0,  0.0,  0.0,  0.0,  0.0,  0.0],[0.0,  0.0,  99.9,  0.0,  0.0,  0.0,  0.0,  0.0],[0.0,  0.0,  0.0,  99.9,  0.0,  0.0,  0.0,  0.0],[0.0,  0.0,  0.0,  0.0,  99.9,  0.0,  0.0,  0.0],[0.0,  0.0,  0.0,  0.0,  0.0,  99.9,  0.0,  0.0],[0.0,  0.0,  0.0,  0.0,  0.0,  0.0,  99.9,  0.0],[0.0,  0.0,  0.0,  0.0,  0.0,  0.0,  0.0, 99.9]]),index = list(range(8)),columns = list(range(8)))f, ax = plt.subplots(figsize=(8,6))
df_cm = pd.DataFrame(confusion_matrix)
sns.heatmap(df_cm,annot=True,vmax=100.0,vmin = 0.0,fmt ='.1f',cmap = 'Greys',annot_kws={'size': 14})label_x = ax.get_xticklabels()
label_y = ax.get_yticklabels()
plt.setp(label_x, rotation=45, horizontalalignment='right',fontsize=16)
plt.setp(label_y,  fontsize=16)plt.xlabel('Predicted Emotion',fontsize=20)
plt.ylabel('True Emotion',fontsize=20)plt.savefig('./fig_confusion_matrix_of_label_embedding_prediction.png')plt.show()

在这里插入图片描述

plot confusion_matrix相关推荐

  1. 【机器学习】用PyCaret创建整个机器学习管道

    作者 | Daniel Morales 编译 | VK 来源 | Towards Data Science 本教程涵盖了整个ML过程,从数据获取.预处理.模型训练.超参数拟合.预测和存储模型以备将来使 ...

  2. PyCaret 2.0在这里-新增功能?

    There's no doubt that PyCaret is my favorite machine learning library. It's more developer-friendly ...

  3. python模型部署方法_终极开箱即用的自动化Python模型选择方法

    python模型部署方法 Choosing the best model is a key step after feature selection in any data science proje ...

  4. pycaret实现CTG分类案例

    import numpy as np import pandas as pd import warnings warnings.filterwarnings("ignore") # ...

  5. sklearn基于make_scorer函数为Logistic模型构建自定义损失函数并可视化误差图(lambda selection)和系数图(trace plot)+代码实战

    sklearn基于make_scorer函数为Logistic模型构建自定义损失函数并可视化误差图(lambda selection)和系数图(trace plot)+代码实战 # 自定义损失函数 i ...

  6. Python混淆矩阵(confusion_matrix)FP、FN、TP、TN、ROC,FROC,精确率(Precision),召回率(Recall),准确率(Accuracy),F1分数详述与实现

    目录 一.FP.FN.TP.TN 二.准确率(Accuracy).精确率(Precision).召回率(Recall).F1score 2.1.准确率(Accuracy) 2.2.召回率(Recall ...

  7. Python的知识点 plt.plot()函数细节

    20201228 lw 是line width  线的宽度 1.plt.plot(x,y,format_string,**kwargs) 转自点击打开链接 x轴数据,y轴数据,format_strin ...

  8. pycharm中报错:Error: failed to send plot to http://127.0.0.1:63342

    pycharm中报错:Error: failed to send plot to http://127.0.0.1:63342 import matplotlib.pyplot as plt impo ...

  9. matlab数据可视化总结,机器学习----Matlab数据可视化总结(plot篇)

    前言 通过资料的整理,使用Matlab语言的plot函数将数据可视化,plota函数也是一个比较常用的二维绘图函数,针对向量或矩阵.如果你也想试一试,初学者记得使用clf.close或close al ...

  10. matlab plot不均匀间隔,matplotlib如何绘制间隔为2^n的不均匀图形?

    如果我的意见不够清楚,请你问.:)from matplotlib import pyplot as plt # Instanciating my lists... f = lambda x:x**2 ...

最新文章

  1. NLP公开课 | 竹间智能翁嘉颀:人机交互未来如何改变人类生活
  2. 计算机科学与技术python方向是什么意思-大学计算机科学与技术相关专业学习路线...
  3. 使用Sass预定义一些常用的样式,非常方便(转)
  4. qdu-凑数题(01背包)
  5. 证明CLIQUE(团问题)是NP完全
  6. 白帽子讲Web安全(纪念版)笔记
  7. 解决win10声卡驱动不兼容问题和成功安装战神k650-i5-d2上的Sound Blaster Cinema2在win10系统上
  8. python画风羽及风羽定义
  9. 信用卡刷卡消费背后的故事
  10. 【CodeForces】 106C Buns(多重背包)
  11. 【我Linux服务器被ddos了】记一次ddos防御+溯源+反击
  12. uos系统桌面怎么没有计算机图标,UOS系统体验:启动、桌面和开始菜单
  13. fedora14安装出错
  14. utils util
  15. php 索引数组应用实例,php数字索引数组实例用法总结
  16. shell 经典, shell 十三问
  17. 并发(concurrency)和并行(parallelism)的区别
  18. 由生至死,众安「步步鸡」将鸡的一生安排得明明白白
  19. DSP实验报告三:AWGN 信道中 BPSK 及 QPSK 系统仿真
  20. [转]caoz写的关于系统分析的文章

热门文章

  1. VSU(虚拟交换单元)组网提升网络可用性
  2. xp系统桌面图标出现阴影
  3. simulink AWGN信道使用要点
  4. 关于Inter漏洞“熔断”的论文翻译(三)(完)
  5. 2022 Google 谷歌开发者大会亮点抢先看
  6. 给IBM的黑科技跪了:量子计算机强势来袭!
  7. 中药学(综合练习)题库【1】
  8. Windows桌面共享中一些常见的抓屏技术
  9. a king读后感 love of the_电影读后感英文
  10. jpa 动态查询条件 数组_JPA使用Specification构建动态查询