python绘制混淆矩阵

根据分类结果绘制混淆矩阵，多种不同

#逻辑回归
clf = LogisticRegression(random_state=0, solver='lbfgs', multi_class='multinomial')
clf.fit(X_train, y_train)
y_pred_log = clf.predict(X_test)

accuracy = accuracy_score(y_test, y_pred_log)
precision = precision_score(y_test, y_pred_log, average='macro')
recall = recall_score(y_test, y_pred_log, average='macro')
f1 = 2 * precision * recall / (precision + recall)
print("逻辑回归分类结果：\n准确率：", accuracy,"\n精确率：", precision, "\n召回率：", recall, "\nF1：", f1)

 
#朴素贝叶斯
clf = MultinomialNB()
clf.fit(X_train, y_train)
y_pred_clf = clf.predict(X_test)

accuracy = accuracy_score(y_test, y_pred_clf)
precision = precision_score(y_test, y_pred_clf, average='macro')
recall = recall_score(y_test, y_pred_clf, average='macro')
f1 = 2 * precision * recall / (precision + recall)
print("朴素贝叶斯分类结果：\n准确率：", accuracy, "\n精确率：",precision, "\n召回率：", recall, "\nF1：", f1)
 

# 评估分类效果
print(classification_report(y_test, y_pred_log))

该答案引用ChatGPT的部分内容：要绘制混淆矩阵，可以使用sklearn库中的confusion_matrix()函数。下面是一个示例代码，用于绘制逻辑回归分类器的混淆矩阵：

import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.metrics import confusion_matrix

# 绘制混淆矩阵
cm = confusion_matrix(y_test, y_pred_log)
plt.figure(figsize=(10, 8))
sns.heatmap(cm, annot=True, cmap="Blues")
plt.title("Confusion Matrix - Logistic Regression")
plt.xlabel("Predicted labels")
plt.ylabel("True labels")
plt.show()

同样的，可以使用上述代码，将“朴素贝叶斯”改为“逻辑回归”，来绘制朴素贝叶斯分类器的混淆矩阵。请注意，混淆矩阵中的行表示真实标签，列表示预测标签。

另外，为了更好地理解混淆矩阵，可以在绘制矩阵的同时输出分类器的其他评估指标，如准确率、精确率、召回率和F1值等。

以下答案由GPT-3.5大模型与博主波罗歌共同编写：
混淆矩阵可用于评估分类器的性能和质量，特别是针对多类别的分类问题。基本上，混淆矩阵是一个方阵，其中每行和每列分别表示真实和预测的类别，并且对角线上的元素表示正确分类的数量，而其他元素表示错误分类的数量。比如，二元分类的混淆矩阵为:

True Positive(TP)	False Negative(FN)
False Positive(FP)	True Negative(TN)

其中，True Positive表示真阳性，即正确地将正类标记为正类；False Positive表示假阳性，即将负类错误地标记为正类；True Negative表示真阴性，即正确地将负类标记为负类；False Negative表示假阴性，即将正类错误地标记为负类。

可以使用scikit-learn库的confusion_matrix()函数，根据真实标签和预测标签生成混淆矩阵。除此之外，还可以使用classification_report()函数生成包含多种分类评估指标的报告，如准确率(Precision)、召回率(Recall)、F1值等。

下面是绘制混淆矩阵的代码示例：

from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt
import seaborn as sns

# 逻辑回归
clf = LogisticRegression(random_state=0, solver='lbfgs', multi_class='multinomial')
clf.fit(X_train, y_train)
y_pred_log = clf.predict(X_test)

# 绘制混淆矩阵
cm = confusion_matrix(y_test, y_pred_log)
sns.heatmap(cm, annot=True, cmap='Blues')
plt.title('Confusion Matrix - Logistic Regression')
plt.xlabel('Predicted Labels')
plt.ylabel('True Labels')
plt.show()

# 朴素贝叶斯
clf = MultinomialNB()
clf.fit(X_train, y_train)
y_pred_nb = clf.predict(X_test)

# 绘制混淆矩阵
cm = confusion_matrix(y_test, y_pred_nb)
sns.heatmap(cm, annot=True, cmap='Blues')
plt.title('Confusion Matrix - Naive Bayes')
plt.xlabel('Predicted Labels')
plt.ylabel('True Labels')
plt.show()

这段代码使用了seaborn库的heatmap()函数绘制混淆矩阵，并且设定了标签、标题、颜色等属性。运行后可以得到类似以下图像：

![混淆矩阵](https://i/

• 帮你找了个相似的问题, 你可以看下: https://ask.csdn.net/questions/228225
• 这篇博客你也可以参考下：python五行代码解决滑块验证的缺口距离识别，破解滑块验证
• 除此之外, 这篇博客: Python 动态词频条形图的制作，又是一个小细节中的 前期准备 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• 输入以下命令，安装必须的库：

  pip install JiashuResearchTools
  pip install jieba
  pip install pandas
  pip install bar_chart_race
  

• 您还可以看一下 张日智老师的python安全开发/高级渗透技术课程中的 4.5 实战多线程爬取妹子图片上小节, 巩固相关知识点
  

引用chatGPT作答，在Python中，可以使用scikit-learn库的confusion_matrix函数来绘制混淆矩阵。它接受两个参数：真实标签和预测标签。例如：

from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt
import seaborn as sns

# 获取混淆矩阵
cm = confusion_matrix(y_test, y_pred_log)

# 绘制热力图
sns.heatmap(cm, annot=True, cmap='Blues', fmt='g')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()

这将绘制一个带有标签的混淆矩阵的热力图。

除了混淆矩阵之外，scikit-learn库还提供了classification_report函数，它可以用于打印分类器的性能指标，例如准确率，精确率，召回率和F1得分。例如：

from sklearn.metrics import classification_report

print(classification_report(y_test, y_pred_log))

这将打印出逻辑回归分类器的性能指标。您可以用相同的方式打印出其他分类器的性能指标，例如朴素贝叶斯分类器。

该回答引用ChatGPT
要绘制混淆矩阵，可以使用`sklearn.metrics`库中的`confusion_matrix`函数。以下是使用逻辑回归作为示例的代码：

python
from sklearn.metrics import confusion_matrix
import seaborn as sns
import matplotlib.pyplot as plt

clf = LogisticRegression(random_state=0, solver='lbfgs', multi_class='multinomial')
clf.fit(X_train, y_train)
y_pred_log = clf.predict(X_test)

cm = confusion_matrix(y_test, y_pred_log)
sns.heatmap(cm, annot=True, cmap='Blues')
plt.show()

这将生成一个热力图，其中每个正方形表示混淆矩阵中的一个条目。热度表示每个条目的频率。

如果需要绘制更多种不同的混淆矩阵，可以在代码中简单修改分类器的类型即可。

此外，也可以使用`classification_report`函数来生成一个包含多个评估指标的报告，如准确率，精确率，召回率和F1分数。

python
from sklearn.metrics import classification_report

print(classification_report(y_test, y_pred_log))

以上代码将生成一个包含所有评估指标的分类报告，可以直接打印在控制台中。