学习笔记(33):matplotlib绘制简单图表-绘制混淆矩阵热图
学习笔记(33):matplotlib绘制简单图表-绘制混淆矩阵热图
一、绘制混淆矩阵热图代码解析
1.1、导入必要的库
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix
import seaborn as sns
matplotlib.pyplot：Python 中最常用的绘图库，用于创建各种图表confusion_matrix：来自 scikit-learn 库，专门用于计算分类模型的混淆矩阵seaborn：基于 matplotlib 的高级可视化库，提供更美观的默认图表样式
2.2、准备示例数据
y_true = [0, 1, 0, 1, 1] # 真实标签
y_pred = [0, 1, 1, 1, 0] # 模型预测标签
这是两组简单的分类标签数据，用于演示混淆矩阵的计算。其中：
- 真实标签包含 3 个正例 (1) 和 2 个负例 (0)
- 预测标签包含 2 个正例和 3 个负例
1.3、计算混淆矩阵
cm = confusion_matrix(y_true, y_pred)
confusion_matrix 函数计算出的混淆矩阵是一个二维数组，其结构为：
[[TN, FP],
[FN, TP]]
对于示例数据，计算得到的混淆矩阵为：
[[1, 1],
[1, 2]]
- 左上角 (1)：真负例 (TN) - 真实为负且预测为负
- 右上角 (1)：假正例 (FP) - 真实为负但预测为正
- 左下角 (1)：假负例 (FN) - 真实为正但预测为负
- 右下角 (2)：真正例 (TP) - 真实为正且预测为正
1.4、使用 seaborn 绘制热图
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues')
heatmap()：seaborn 中用于绘制热力图的函数
annot=True：在每个单元格中显示数值
fmt='d'：指定数值格式为整数
cmap='Blues'：使用蓝色系的配色方案
1.5、设置图表标签和标题，展示图
plt.xlabel('Predicted') # x轴标签：预测类别
plt.ylabel('True') # y轴标签：真实类别
plt.title('Confusion Matrix') # 图表标题plt.show()
最终生成的混淆矩阵热图直观展示了模型在分类任务中的表现：
- 对角线单元格 (TN 和 TP) 表示预测正确的样本数
- 非对角线单元格 (FP 和 FN) 表示预测错误的样本数
这个可视化工具常用于评估分类模型的性能，特别是在处理不平衡数据集时非常有用。
二、代码和执行结果
2.1、代码
import matplotlib.pyplot as plt
# 示例：绘制混淆矩阵热图
from sklearn.metrics import confusion_matrix
import seaborn as sns
y_true = [0, 1, 0, 1, 1]
y_pred = [0, 1, 1, 1, 0]
cm = confusion_matrix(y_true, y_pred)
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues')
plt.xlabel('Predicted')
plt.ylabel('True')
plt.title('Confusion Matrix')
plt.show()2.2、执行结果
三、如何计算混淆矩阵
混淆矩阵的计算核心是统计 “真实标签” 与 “预测标签” 的所有组合情况
3.1、数据
y_true = [0, 1, 0, 1, 1] # 真实标签：[0,1,0,1,1]
y_pred = [0, 1, 1, 1, 0] # 预测标签：[0,1,1,1,0]
- 真实标签
y_true = [0, 1, 0, 1, 1]（共 5 个样本，0 和 1 为两类） - 预测标签
y_pred = [0, 1, 1, 1, 0]（模型对每个样本的预测结果）
3.2、计算步骤
步骤 1：明确混淆矩阵的维度和指标
二分类问题的混淆矩阵是2×2 矩阵，行代表 “真实标签”，列代表 “预测标签”，包含 4 个核心指标：
| 真实标签 \ 预测标签 | 预测为 0（负类） | 预测为 1（正类） |
|---|---|---|
| 真实为 0（负类） | TN（真负例） | FP（假正例） |
| 真实为 1（正类） | FN（假负例） | TP（真正例） |
- TN：真实是 0，预测也是 0（正确预测负类）
- FP：真实是 0，预测是 1（错误预测为正类）
- FN：真实是 1，预测是 0（错误预测为负类）
- TP：真实是 1，预测也是 1（正确预测正类）
步骤 2：逐样本匹配，统计四类指标
将每个样本的 “真实标签” 和 “预测标签” 一一对应，判断属于哪类指标：
| 样本序号 | 真实标签 | 预测标签 | 对应指标 |
|---|---|---|---|
| 1 | 0 | 0 | TN |
| 2 | 1 | 1 | TP |
| 3 | 0 | 1 | FP |
| 4 | 1 | 1 | TP |
| 5 | 1 | 0 | FN |
统计每个指标的数量：
- TN：1 个（样本 1）
- FP：1 个（样本 3）
- FN：1 个（样本 5）
- TP：2 个（样本 2、样本 4）
步骤 3：构建混淆矩阵
按 “真实标签行 × 预测标签列” 的顺序，将统计结果填入矩阵：
# 第一行（真实为0）：TN=1，FP=1
# 第二行（真实为1）：FN=1，TP=2混淆矩阵 = [[1, 1], # 真实0对应的预测结果
[1, 2]] # 真实1对应的预测结果
结果验证：代码验证
运行sklearn的confusion_matrix函数，结果完全一致：
from sklearn.metrics import confusion_matrix
y_true = [0, 1, 0, 1, 1]
y_pred = [0, 1, 1, 1, 0]
print(confusion_matrix(y_true, y_pred))
输出结果：
[[1 1]
[1 2]]
总结
计算混淆矩阵的关键是：
- 明确 “真实标签” 和 “预测标签” 的类别（如 0 和 1）；
- 逐样本判断属于 TN/FP/FN/TP 中的哪一类；
- 统计每类的数量，按 “真实行 × 预测列” 填入矩阵。
通过混淆矩阵可以直观看到模型的错误类型（如 FP 多说明容易误判负类为正类），是评估分类模型的基础工具。