本文简要介绍python语言中 sklearn.metrics.plot_confusion_matrix
的用法。
用法:
sklearn.metrics.plot_confusion_matrix(estimator, X, y_true, *, labels=None, sample_weight=None, normalize=None, display_labels=None, include_values=True, xticks_rotation='horizontal', values_format=None, cmap='viridis', ax=None, colorbar=True)
已弃用:函数
plot_confusion_matrix
在 1.0 中已弃用,并将在 1.2 中删除。使用以下类方法之一:ConfusionMatrixDisplay.from_predictions 或 ConfusionMatrixDisplay.from_estimator。绘制混淆矩阵。
在用户指南中阅读更多信息。
- estimator:估计器实例
拟合分类器或拟合
Pipeline
,其中最后一个估计器是分类器。- X:{类数组,稀疏矩阵},形状为 (n_samples, n_features)
输入值。
- y_true:形状类似数组 (n_samples,)
目标值。
- labels:形状类似数组 (n_classes,),默认=无
索引矩阵的标签列表。这可用于重新排序或选择标签子集。如果给定
None
,则在y_true
或y_pred
中至少出现一次的那些将按排序顺序使用。- sample_weight:形状类似数组 (n_samples,),默认=None
样本权重。
- normalize:{‘true’, ‘pred’, ‘all’},默认=无
或者标准化矩阵中显示的计数:
如果
'true'
,则混淆矩阵在真实条件(例如行)上进行归一化;如果
'pred'
,则混淆矩阵在预测条件(例如列)上进行归一化;如果
'all'
,则混淆矩阵按样本总数归一化;如果
None
(默认),混淆矩阵将不会被归一化。
- display_labels:形状类似数组 (n_classes,),默认=无
用于绘图的目标名称。默认情况下,如果定义了
labels
,将使用y_true
和y_pred
的唯一标签。- include_values:布尔,默认=真
包括混淆矩阵中的值。
- xticks_rotation:{‘vertical’, ‘horizontal’} 或浮点数,默认='水平'
xtick 标签的旋转。
- values_format:str,默认=无
混淆矩阵中值的格式规范。如果
None
,格式规范是 ‘d’ 或 ‘.2g’ 以较短者为准。- cmap:str 或 matplotlib 颜色图,默认='viridis'
matplotlib 识别的颜色图。
- ax:matplotlib 轴,默认=无
要绘制的轴对象。如果
None
,则创建一个新的图形和轴。- colorbar:布尔,默认=真
是否在绘图中添加颜色条。
参数:
返回:
例子:
>>> import matplotlib.pyplot as plt >>> from sklearn.datasets import make_classification >>> from sklearn.metrics import plot_confusion_matrix >>> from sklearn.model_selection import train_test_split >>> from sklearn.svm import SVC >>> X, y = make_classification(random_state=0) >>> X_train, X_test, y_train, y_test = train_test_split( ... X, y, random_state=0) >>> clf = SVC(random_state=0) >>> clf.fit(X_train, y_train) SVC(random_state=0) >>> plot_confusion_matrix(clf, X_test, y_test) >>> plt.show()
相关用法
- Python sklearn.metrics.plot_roc_curve用法及代码示例
- Python sklearn plot_tree用法及代码示例
- Python sklearn.metrics.plot_det_curve用法及代码示例
- Python sklearn plot_partial_dependence用法及代码示例
- Python sklearn power_transform用法及代码示例
- Python sklearn parallel_backend用法及代码示例
- Python sklearn pairwise_distances_chunked用法及代码示例
- Python sklearn permutation_importance用法及代码示例
- Python sklearn partial_dependence用法及代码示例
- Python sklearn parametrize_with_checks用法及代码示例
- Python sklearn pair_confusion_matrix用法及代码示例
- Python sklearn precision_score用法及代码示例
- Python sklearn precision_recall_fscore_support用法及代码示例
- Python sklearn polynomial_kernel用法及代码示例
- Python sklearn paired_distances用法及代码示例
- Python sklearn precision_recall_curve用法及代码示例
- Python sklearn jaccard_score用法及代码示例
- Python sklearn WhiteKernel用法及代码示例
- Python sklearn CalibrationDisplay.from_predictions用法及代码示例
- Python sklearn VotingRegressor用法及代码示例
- Python sklearn gen_batches用法及代码示例
- Python sklearn ExpSineSquared用法及代码示例
- Python sklearn MDS用法及代码示例
- Python sklearn adjusted_rand_score用法及代码示例
- Python sklearn MLPClassifier用法及代码示例
注:本文由纯净天空筛选整理自scikit-learn.org大神的英文原创作品 sklearn.metrics.plot_confusion_matrix。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。