### 如何绘制归一化的混淆矩阵 要绘制一张归一化的混淆矩阵图像，通常需要以下几个要素的支持： 1. **数据准备**：首先需要有真实标签（ground truth）和预测标签的数据集。这些数据可以通过训练好的分类模型生成。 2. **计算混淆矩阵**：利用 `sklearn.metrics.confusion_matrix` 函数来计算原始的混淆矩阵。 3. **归一化处理**：通过将每一行的值除以其总和实现归一化操作，使得每类别的预测概率分布在 `[0, 1]` 范围内。 4. **可视化**：使用 Matplotlib 或 Seaborn 库进行绘图展示。 以下是具体的 Python 实现代码示例： ```python import numpy as np import matplotlib.pyplot as plt from sklearn import metrics import seaborn as sns def plot_normalized_confusion_matrix(y_true, y_pred, class_names=None, title='Normalized Confusion Matrix'): """ 绘制并显示归一化的混淆矩阵 参数: y_true (array-like): 真实标签数组 y_pred (array-like): 预测标签数组 class_names (list of str): 类别名称列表，默认为 None title (str): 图形标题，默认为 'Normalized Confusion Matrix' """ cm = metrics.confusion_matrix(y_true, y_pred) # 计算混淆矩阵[^1] # 归一化处理 cm_norm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis] fig, ax = plt.subplots(figsize=(8, 6)) heatmap = sns.heatmap(cm_norm, annot=True, fmt='.2f', cmap="Blues", cbar=False, xticklabels=class_names if class_names else True, yticklabels=class_names if class_names else True) ax.set_title(title) ax.set_xlabel('Predicted Labels') ax.set_ylabel('True Labels') plt.show() # 假设的真实标签和预测标签 y_true = [2, 0, 2, 2, 0, 1] y_pred = [0, 0, 2, 2, 0, 2] class_names = ['Class A', 'Class B', 'Class C'] plot_normalized_confusion_matrix(y_true, y_pred, class_names) ``` 上述代码实现了从数据到可视化的全过程，并展示了如何创建一个带有类别名的归一化混淆矩阵图表。此方法适用于监督学习中的分类任务评估[^2]。 关于 Specificity 和 Sensitivity 的定义，在生物统计学中它们分别代表真阴性和真阳性率的概念[^3]。虽然这并非直接涉及混淆矩阵的绘制过程，但在分析其结果时可能会用到这两个指标作为补充说明。 #### 注意事项 - 如果数据集中存在不平衡现象，则需特别关注各类别的权重分布情况。 - 使用不同的颜色映射方案可能会影响最终图形的表现效果，可根据具体需求调整参数设置。