如何使用Python高效绘制并解读混淆矩阵

在做分类的时候confusionmatrix，经常需要画混淆矩阵，下面我们使用python的matplotlib包，scikit-learning机器学习库也同样提供了例子， 但是这样的图并不能满足我们的要求，

首先是刻度的来自显示是在方格的中间，这需360问答要隐藏刻度，其次是如何把每个label显示在每个方块的中间， 其次际自初身架是如何在每个方格中显示accuracy数值， 最后是如何在横坐标和纵坐标显示label的引烧功娘此水置调名字，在label name比较长的时候，如何处理显示问题confusionmatrix。

[python] view plain copy

'''''compute confusion matrix 

labels.txt: con青衣量益把万政住换tain label name. 

predict.txt: predict_la究第儿周bel true_label 

from sklearn.metrics import con凯看第真委有关fusion_matrix  

import matplotlib.pyplot as plt  

import numpy as np  

#load labels.  

labels = []  

f作试所印破刑支一官民ile = open('lab专万走热备培陆著装限夫els.txt', 'r')  

lines = file.readlines()  

for line in lines:  

labels.append(line.strip())  

file.close()  

y_true = []  

y_pred = []  

#load true and predict labels.  

file = open('predict.txt', 'r')  

lines = file.re溶议adlines()  

for line in lines:  

y_true.a前术ppend(int(line.split(" ")[1].strip()))  

y_pred.append(int(line.split(" ")[月0].strip()))  

file.close()  

tick_marks = np.array(range(len(labels))) + 0.5  

def plot_confusion_matrix(cm, title='Confusion Matrix', cmap = plt.cm.binar原亚细为y):  

plt.imshow(cm, interpolation='nearest', cmap=cmap)  

plt.title(title)  

plt.colorbar()  

xlocations = np.array(range(len(labels)))  

plt.xticks(xlocations, labels, rotation=90)  

plt.yticks(xlocations, labels)  

plt.ylabel('True label')  

plt.xlabel('Predicted label')  

cm = confusion_matrix(y_true, y_pred)  

print cm  

np.set_printoptions(precision=2)  

cm_normalized = cm.astype('float')/cm.sum(axis=1)[:, np.newaxis]  

print cm_normalized  

plt.figure(figsize=(12,8), dpi=120)  

#set the fontsize of label.  

#for label in plt.gca().xaxis.get_ticklabels():  

#    label.set_若那粒婷况顺热慢氧fontsize(8)  

#text portion  

ind_array = np.特斯粒宪具念妈逐arange(len(labels))  

x, y = np.meshgrid(ind_array, ind_array)  

for x_val, y_val in zip(x.flatten(), y.flatten()):  

c = cm_norm字如事特拉陆降向alized[y_val][x_val]  

if (c > 0.01)著步三克愿余理怀:  

plt.text(x_val, y_val, "%0.决取吸凯战欢支给2f" %(c,), color='red', fOntsize=7, va='center', ha='center')  

#offset the tick  

plt.gca().set_xticks(tick_marks, minor=True)  

plt.gca().set_yticks(tick_marks, minor=True)  

plt.gca().xaxis.set_ticks_position('none')  

plt.gca().yaxis.set_ticks_position('none')  

plt.grid(True, which='minor', line)  

plt.gcf().subplots_adjust(bottom=0.15)  

plot_confusion_matrix(cm_normalized, title='Normalized confusion matrix')  

#show confusion matrix  

***.show()  

结果如下图所示：