### 在 Python 中绘制混淆矩阵图时需要定义的参数 在 Python 中，绘制混淆矩阵图通常涉及以下几个关键参数，这些参数决定了混淆矩阵的外观、内容和功能。以下是详细的参数说明： #### 1. **混淆矩阵数据** 混淆矩阵的核心是其数据，通常以二维数组或 NumPy 数组的形式提供。例如： ```python confusion_matrix = np.array([[2692, 20], [30, 707]]) ``` 这是绘制混淆矩阵的基础数据[^1]。 #### 2. **类别标签** 类别标签用于标识混淆矩阵中的行和列，通常通过 `classes` 参数定义。例如： ```python classes = ['0', '1'] ``` 如果未指定类别标签，默认会按照数字从小到大或字符串首字母顺序排列。 #### 3. **图像大小** 通过 `plt.figure` 定义图像的大小和分辨率，例如： ```python plt.figure(figsize=(5, 4), dpi=300) ``` 这会影响输出图像的清晰度和布局。 #### 4. **坐标轴刻度** 使用 `plt.xticks` 和 `plt.yticks` 设置混淆矩阵的 X 轴和 Y 轴刻度，通常与类别标签对应。例如： ```python tick_marks = np.arange(len(classes)) plt.xticks(tick_marks, classes, size=16) plt.yticks(tick_marks, classes, size=16) ``` 这确保了矩阵的行列与类别标签对齐。 #### 5. **颜色映射** 颜色映射决定了混淆矩阵的颜色风格，通常通过 `cmap` 参数设置。例如： ```python plt.imshow(confusion_matrix, interpolation='nearest', cmap=plt.cm.GnBu) ``` 常见的颜色映射包括 `GnBu`（绿色到蓝色渐变）、`YlOrBr`（黄色到棕色渐变）等[^1]。 #### 6. **文本标注** 在混淆矩阵的每个单元格中显示具体的数值，通常通过 `plt.text` 实现。例如： ```python for i, j in iters: plt.text(j, i, format(confusion_matrix[i, j]), fontsize=16, va='center', ha='center') ``` 这里 `iters` 是一个迭代器，用于遍历矩阵的所有位置[^1]。 #### 7. **颜色条** 颜色条提供了颜色与数值之间的映射关系，通常通过 `plt.colorbar()` 添加。例如： ```python plt.colorbar() ``` #### 8. **标题和标签** 可以为混淆矩阵添加标题以及 X 轴和 Y 轴的标签。例如： ```python plt.xlabel('Real label', fontsize=18) plt.ylabel('Prediction', fontsize=18) ``` 这有助于用户理解矩阵的具体含义[^1]。 #### 示例代码 以下是一个完整的示例代码： ```python import numpy as np import matplotlib.pyplot as plt confusion_matrix = np.array([[2692, 20], [30, 707]]) classes = ['0', '1'] plt.figure(figsize=(5, 4), dpi=300) tick_marks = np.arange(len(classes)) plt.xticks(tick_marks, classes, size=16) plt.yticks(tick_marks, classes, size=16) plt.xlabel('Real label', fontsize=18) plt.ylabel('Prediction', fontsize=18) thresh = confusion_matrix.max() / 2. iters = np.reshape([[[i, j] for j in range(2)] for i in range(2)], (confusion_matrix.size, 2)) for i, j in iters: plt.text(j, i, format(confusion_matrix[i, j]), fontsize=16, va='center', ha='center') plt.tight_layout() plt.imshow(confusion_matrix, interpolation='nearest', cmap=plt.cm.GnBu) plt.colorbar() plt.show() ``` ### 注意事项 - 如果需要显示概率值而非绝对值，可以通过归一化处理混淆矩阵数据[^2]。 - 使用 `classification_report` 函数可以生成更详细的分类报告，包含精确率、召回率等指标[^3]。