### 关于 `confusion_matrix` 模块的实现代码 在 Python 中，`confusion_matrix` 是一种用于评估分类模型性能的重要工具。它可以通过 `scikit-learn` 库中的 `metrics.confusion_matrix` 函数轻松生成。以下是基于该函数的一个具体实现示例： #### 使用 `scikit-learn` 的 `confusion_matrix` ```python from sklearn.metrics import confusion_matrix import numpy as np # 示例数据：真实标签和预测标签 y_true = [2, 0, 2, 2, 0, 1] # 真实类别 y_pred = [0, 0, 2, 2, 0, 2] # 预测类别 # 计算混淆矩阵 cm = confusion_matrix(y_true, y_pred) print("Confusion Matrix:") print(cm) ``` 上述代码展示了如何利用 `scikit-learn` 来计算混淆矩阵。其中，`y_true` 表示真实的类别标签，而 `y_pred` 则代表模型预测的结果。 为了更直观地展示混淆矩阵的内容，还可以借助 `seaborn` 和 `matplotlib` 绘制热力图[^1]: ```python import seaborn as sns import matplotlib.pyplot as plt # 创建热力图 plt.figure(figsize=(8, 6)) sns.heatmap(cm, annot=True, fmt="d", cmap="Blues") # 设置图表标题和坐标轴名称 plt.title('Confusion Matrix Visualization') plt.ylabel('True label') plt.xlabel('Predicted label') # 显示图形 plt.show() ``` 这段代码通过 `seaborn` 提供的绘图功能，使得混淆矩阵更加美观易读。 #### 自定义实现 `confusion_matrix` 如果希望手动实现一个简单的混淆矩阵逻辑而不依赖外部库，则可以按照如下方式进行编码: ```python def custom_confusion_matrix(y_true, y_pred): labels = sorted(set(y_true)) # 获取所有可能的类别标签并排序 cm = [[0 for _ in range(len(labels))] for __ in range(len(labels))] label_to_index = {label: i for i, label in enumerate(labels)} for t, p in zip(y_true, y_pred): row_idx = label_to_index.get(t, None) col_idx = label_to_index.get(p, None) if row_idx is not None and col_idx is not None: cm[row_idx][col_idx] += 1 return np.array(cm), labels # 测试自定义方法 custom_cm, labels = custom_confusion_matrix(y_true, y_pred) print("\nCustom Confusion Matrix:") print(custom_cm) print(f"Labels: {labels}") ``` 此版本实现了基本的功能，并返回了一个二维数组形式的混淆矩阵以及对应的类别标签列表。 ---