使用python画混淆矩阵(并解决坐标重叠问题)

用桑基图可视化混淆矩阵:揭示分类错误流向 混淆矩阵是分类模型评估的基础工具,但其二维热力图形式难以表达‘真实类别→预测类别’的动态流向关系。桑基图通过带宽表示数量、箭头指示方向,天然适配这种源-汇映射结构,将静态误判数字转化为可解释的错误路径。其核心原理在于将混淆矩阵解构为‘源-目标-值’三元组,并支持按行归一化以反映误判概率分布,从而凸显系统性偏差而非随机噪声。该技术显著提升模型调试效率与跨角色沟通效果,广泛应用于医疗诊断、工业质检、金融风控等需高可信度决策的场景,尤其适合多分类任务中的关键错误对定位与可解释AI落地。 阅读详情
import scipy.io
p='D:/debug/predict_array'
r='D:/debug/real_array'
dataP=scipy.io.loadmat(p);# dataP类型为dictionary
dataR=scipy.io.loadmat(r);
predict=dataP['predict_array']#获得其中的矩阵数据
real=dataR['real_array'] #此行往上:将matlab中的矩阵提取到python中
real=real.tolist()#将矩阵转化为列表
predict=predict.tolist()

from itertools import chain
real=list(chain.from_iterable(real))
predict=list(chain.from_iterable(predict))#将二维列表转为一维`import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from sklearn.metrics import confusion_matrix

def plot_confusion_matrix(confusion):
    plt.imshow(confusion,cmap=plt.cm.Blues)
    plt.title('Confusion Matrix')
    plt.colorbar()
    
    labels = range(1,41)
    tick_marks = np.arange(len(labels))
    plt.xticks(tick_marks, labels)
    plt.yticks(tick_marks, labels)
    ax = plt.gca()
    #解决坐标重叠问题
    for ind, label in enumerate(ax.xaxis.get_ticklabels()):
        if ind % 3 == 0:  # every 10th label is kept
            label.set_visible(True)
        else:
            label.set_visible(False)
    for ind, label in enumerate(ax.yaxis.get_ticklabels()):
        if ind % 3 == 0:  # every 10th label is kept
            label.set_visible(True)
        else:
            label.set_visible(False)
    plt.ylabel('True Label')
    plt.xlabel('Predicted Label')
    #plt.savefig('confusion_matrix_40class.pdf', format='pdf')
   
    plt.show()
    
if __name__ == '__main__':
    confusion = confusion_matrix(predict, real)#混淆矩阵简单应用
    #confusion = np.log10(confusion)
    plot_confusion_matrix(confusion)
    print(confusion)
%matplotlib inline   `
Python Seaborn.heatmap参数详解与实战应用 本文详细解析了Python数据可视化库Seaborn中heatmap函数的各项核心参数,包括数据控制、颜色映射、信息标注与坐标轴调整等。通过实战案例演示了如何从基础热力图逐步优化为信息丰富、美观专业的可视化图表,并分享了避坑指南与最佳实践,帮助数据分析师高效利用热力图揭示数据模式与洞察。 阅读详情

相关推荐

Python矩阵可视化:matplotlib matshow函数从入门到实战

在数据分析和机器学习领域,矩阵可视化是理解高维数据结构和模式的关键技术。其核心原理在于将二维数值阵列映射为颜色编码的热图,通过色彩梯度直观揭示数据分布、异常值和内在关联。这项技术的工程价值在于极大提升了数据探索和模型诊断的效率,尤其在处理混淆矩阵、相关系数矩阵和特征矩阵时效果显著。在实践层面,matplotlib库的matshow函数提供了开箱即用的解决方案,通过自动化的坐标轴设置和色彩映射,简化了矩阵可视化的流程。本文聚焦于matshow的深度应用,涵盖色彩映射选择、坐标轴控制、混淆矩阵可视化等实战场景,

weixin_34194359的博客 602

python matplotlib画图时混淆矩阵重叠了_Python混淆矩阵matplotlib基于类别数自动调整图形大小...

我使用以下函数生成混淆矩阵:def plot_confusion_matrix(cm, classes, normalize=False, cmap=cm.Blues, png_output=None, show=True):"""This function prints and plots the confusion matrix.Normalization can be applied by ...

weixin_39639505的博客 789

Matlab分类结果可视化评估工具:一键生成混淆矩阵、PR/ROC曲线及F1指标

直接加载预测值和真实标签,自动完成分类模型性能评估全流程:计算混淆矩阵、准确率、精确率、召回率、F1分数;支持二分类与多分类场景;内置两种PR曲线统计方法(empirical和binormal);提供draw_cm、draw_prc、draw_roc等绘图函数,输出清晰可发表的confusion_matrix.png、precision_recall_curve.png、roc_curve.png;附带示例数据文件(decision_values.mat、actual_label.mat、predict_l

c7d8e9的博客 245

python叠加图像轮廓_python – 如何将我的轮廓图叠加在底图上

你几乎就在那里,但Basemap可能很有气质,你必须管理图表/地图细节的z顺序.此外,在使用底图绘制它们之前,必须将lon / lat坐标转换为地图投影坐标.这是一个完整的解决方案,它提供以下输出.我改变了一些颜色和线宽,以使整个事物更清晰,YMMV.我还通过标准化的“均值”值(数据[‘Z’])缩放散点的大小 – 你可以简单地删除它并替换例如50,如果你喜欢一个恒定的大小(它看起来像最大的标记)....

weixin_39942785的博客 639

python sklearn包——混淆矩阵、分类报告等自动生成方式

今天小编就为大家分享一篇python sklearn包——混淆矩阵、分类报告等自动生成方式,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧

告别概念晕眩:用TC3xx SMU和TLF35584的配置实例,搞懂ASIL D功能安全落地

本文通过英飞凌TC3xx系列MCU的SMU模块与TLF35584电源管理芯片的协同配置实例,详细解析了如何实现符合ASIL D功能安全标准的刹车辅助ECU。文章涵盖SMU报警源配置、响应动作类型、TLF35584的安全状态管理,以及构建完整安全闭环的实践方法,帮助工程师将抽象的安全概念落地为具体设计方案。

weixin_30647065的博客 439

画混淆矩阵(转载)

fromsklearn.metricsimportconfusion_matrix #导入混淆矩阵函数 cm = confusion_matrix(y,yp) #输出为混淆矩阵 importmatplotlib.pyplotasplt #导入作图函数 plt.matshow(cm,cmap=plt.cm.Greens) # 画混淆矩阵图,配色风格使用cm.Greens plt.co...

jjhhfb的博客 5241

ANSYS WB 网格划分详解与技巧

本文详细介绍了网格操作中的关键设置与功能选项。主要内容包括:1)网格显示风格与物理偏好设置;2)单元阶次选择对精度的影响;3)单元尺寸控制方法;4)尺寸调整功能,重点讲解了自适应尺寸调整、增长率控制和捕获曲率等选项;5)网格质量评估标准;6)四种主要划分方法(四面体、六面体主导、扫掠、多区域)的特点与适用场景;7)三种尺寸调整方式(直接调整、边缘尺寸调整、影响范围调整)的具体应用。文章强调在实际建模中需要根据模型特点合理选择网格参数,平衡计算精度与效率。

2403_87939837的博客 1701

使用python库绘制混淆矩阵(数字不居中,精度显示问题的解决)

在写小论文期间需要绘制混淆矩阵,通过查阅资料解决了如下的问题。 1)混淆矩阵中数字不居中 解决方法:设置plt.text中的va和ha参数为’center’ plt.text(first_index, second_index, int(confusion[first_index][second_index]), va='center', ha='center', fontsize=13.5) 2)混淆矩阵中数字显示的精度

jtyjaykkk的博客 6030

AMDGPU IH(Interrupt Handler)实现分析

AMDGPU IH环形缓冲区机制是显卡驱动中高效处理GPU硬件中断的核心架构。该机制通过环形缓冲区存储中断事件,利用读写指针(wptr/rptr)同步硬件与驱动间的数据交互。硬件写入事件后驱动遍历处理,通过指针掩码实现环形循环,并具备溢出检测和虚拟化环境下的重置保护。其优势在于批量处理降低中断开销,指针同步确保可靠性,支持多队列扩展和SR-IOV虚拟化场景,为GPU中断管理提供了高性能基础架构。

图形/计算GPU的驱动与虚拟化技术分享园地 1643

Flutter 自适应布局一套代码适配手机和平板(12)

通过LayoutBuilder组件动态检测屏幕尺寸,根据宽度阈值(600px)选择不同布局方式。在小屏幕上显示单页联系人分组,大屏幕采用侧边栏+详情面板的并排布局。核心实现包括:1)使用LayoutBuilder获取父容器约束条件;2)定义大屏幕和小屏幕的布局断点;3)构建响应式界面组件,其中大屏幕布局采用Row横向排列固定宽度侧边栏和弹性宽度的详情区域。这种方案可确保应用在不同设备上都能提供最佳显示效果。

hello.reader 319

Matplotlib绘制混淆矩阵及colorbar标签设置

python Matplotlib 混淆矩阵绘制,并调整colorbar标签

weixin_44513746的博客 4058

C# 上位机内存泄漏排查指南:3 个工具 + 4 个技巧,从 GC 频繁到稳定运行 720 小时

C# 上位机内存泄漏排查的核心是「先定位泄漏存在,再追溯引用根源,最后修复验证通过「Visual Studio 诊断工具(快速定位)+ dotMemory(深度分析)+ PerfView(生产监控)」三个工具的配合,结合「复现场景、排查静态成员+事件、检查非托管资源、GC 日志验证」四个技巧,可高效解决绝大多数泄漏问题。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 740

python matplotlib画图时混淆矩阵重叠了_Matplotlib交互式图表——混淆矩阵可视化

大修了一波bug,终于有时间来码字辣。之前写的太乱了,这个工具的初衷是通过混淆矩阵进行模型的诊断,毕竟除了loss以外,大部分的性能都可以从混淆矩阵导出。而将混淆矩阵的序列进行可视化,有助于得到对模型变化更直观的认识。我们提供了三种分析的工具:混淆矩阵(热图):用于观察混淆矩阵随Epoch的变化2. 模型性能:Accuracy, Precision, Recall, F1 Score (即Dice...

weixin_39982537的博客 1001

2025.06.06【Ribo-seq】|RiboCode:基于Ribo-seq数据的全基因组翻译ORF检测工具详解与实战流程

大家好!今天我们要学习的是RiboCode——一个专为Ribo-seq(核糖体足迹测序)数据设计的高质量翻译ORF(开放阅读框)检测工具。RiboCode能够帮助我们在全基因组范围内精准识别翻译事件,发掘经典CDS之外的uORF、dORF、重叠ORF等新型翻译本,极大拓展了我们对转录本翻译潜能的认知。RiboCode 是由清华大学杨学睿课题组开发的开源软件,支持Linux/Mac平台,采用Python实现。自动化流程:一条命令即可完成注释准备、P-site定位、ORF预测。高灵敏度与特异性。

1863

全网详细解决Client does not support authentication protocol requested by server;consider upgrading Mysql c

全网详细解决1251 - Client does not support authentication protocol requested by server; consider upgrading Mysql client。

念兮为美 5479

python 混淆矩阵横坐标过长导致重叠,可以让横坐标斜着放置。

找到你的混淆矩阵plt.xticks这一语句,在它的后面再添加一个rotation=30,就可以让横坐标倾斜了。 plt.xticks( , ,rotation=30) 看完记得点赞,(づ ̄3 ̄)づ╭❤~

ANAN永不败315的博客 2659

提示词工程中的上下文隔离

已经进入context的prompt是没有办法让大模型真正的忘记的,但是可以通过prompt技巧强约束模型的后续推理中“不再使用、不再提及、不再引用”某部分提示词,这其实是一种行为抑制(behavior suppression),并不是删除。

Criss@陈磊 236

分类问题数据可视化:混淆矩阵、ROC曲线与散点图实战教程

分类问题数据可视化实战教程摘要 分类模型评估中,准确率往往掩盖关键细节。本文通过混淆矩阵、ROC曲线和散点图三大可视化工具,揭示模型真实表现。混淆矩阵热力图(代码示例含归一化处理)精准定位多分类错误,如网络攻击检测中少数类"U2R"的误判;ROC曲线展示不同阈值下TPR/FPR权衡,适合医疗诊断等场景;特征空间散点图直观呈现线性可分性。教程提供完整Python代码(Matplotlib/Seaborn),重点解决数据不平衡、版本兼容等实际问题,并提示初学者避免"仅关注对角线&q

分享知识,一起学习,共同进步! 1813

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

python3__绘图__常用数据分析图形(热力图,雷达图,箱线图,平行坐标,3D图,混淆矩阵,饼状图)

1.matplotlib.pyplot简介 matplotlib.pyplot是一个有命令风格的函数集合,它看起来和MATLAB很相似。每一个pyplot函数都使一副图像做出些许改变,例如创建一幅图,在图中创建一个绘图区域,在绘图区域中添加一条线等等。在matplotlib.pyplot中,各种状态通过函数调用保存起来,以便于可以随时跟踪像当前图像和绘图区域这样的东西。绘图函数是直接作用于当前...

也许有一天我们再相逢 睁开眼睛看清楚 我才是英雄! 1万+

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

机器学习中的TP、TN、FP、FN:如何用Python代码快速计算并可视化混淆矩阵

本文详细介绍了机器学习中混淆矩阵的核心概念,包括TP、TN、FP、FN的计算方法及其衍生指标如准确率、精确率和召回率。通过Python代码示例展示了如何使用scikit-learn计算和可视化混淆矩阵,并扩展到计算机视觉中的IoU指标应用,为模型评估提供实用指导。

weixin_29161785的博客 382

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

从混淆矩阵到mIOU:用Python代码拆解语义分割评估陷阱

本文深入解析语义分割评估中的mIOU指标及其在类别不平衡数据集中的潜在陷阱。通过Python代码实战演示混淆矩阵的计算与mIOU的数学本质,揭示极端类别分布下的指标失真现象,并提供加权策略和替代指标等解决方案,帮助开发者更准确地评估模型性能。

dapp9builder的博客 176

matplotlib绘制混淆矩阵_如何在python中绘制热地图(实例)

当我们进行数据挖掘工作、或者进行数据可视化以更好地展示成果时,很多时候我们需要借助到热地图的帮助。今天,我们就来介绍一下在seaborn绘图库中热地图heatmap的使用方法及参数设置。热地图使用场景:进一步查看数据表中特征两两之间的相关性在数据挖掘的前期工作中,对于研究特征关系十分有效一、函数体及主要参数函数体:seaborn.heatmap(data, vmin=None, vmax=None...

weixin_39646831的博客 741

计算机视觉实战:用Python手写IoU计算函数(附完整代码)

本文通过Python和NumPy从零实现IoU(交并比)计算函数,详细解析其数学原理与代码实现,涵盖边界处理、批量计算及与mIoU的关联。掌握IoU是理解目标检测评估指标和非极大值抑制(NMS)的基础,对模型性能评估至关重要。

uuu88的博客 210

机器学习评估指标实战指南:从混淆矩阵到业务价值

机器学习评估指标不是模型训练后的简单打分,而是连接算法逻辑与真实业务风险的关键桥梁。理解准确率、精确率、召回率、F1-score、AUC、RMSE、MAE、NDCG等核心指标的数学本质与统计含义,是避免模型在生产环境中失效的第一步。尤其在类别不平衡(如欺诈检测)、高风险决策(如医疗诊断)、时序漂移(如推荐系统)和生成式输出(如大模型客服)等典型场景中,指标选择直接决定技术方案能否落地。本文聚焦指标背后的业务成本建模、动态监控机制与人机协作接口设计,通过混淆矩阵的风险映射、加权指标定制、多维度漂移检测及AB测

weixin_30824479的博客 383

GIS与遥感实战:从原理到Python自动化的完整学习指南

地理信息系统(GIS)和遥感技术是处理空间数据的核心工具,其原理基于空间参考系统、栅格/矢量数据模型等基础概念。通过坐标投影、空间关系分析等技术,能够将地理信息转化为可操作的洞察。在工程实践中,Python脚本结合GDAL、Geopandas等库大幅提升了数据处理效率,例如实现遥感影像的批量裁剪和NDVI指数计算。这种技术组合的价值在于降低GIS实战门槛,支持从环境监测到城市规划等多种应用场景。姚金刚老师的GEO公开课资料正是围绕GIS工作流和Python自动化,提供了系统的学习路径和实战案例,帮助学习者构

weixin_30321449的博客 389
上一篇: matplotlib画图时候x轴的标签过于密集的解决方法
下一篇: 遇到的代码知识点
AI_Rancho
博客等级 码龄10年 63粉丝 50原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值