pretty-confusion-matrix：优雅的混淆矩阵可视化工具
项目地址: https://gitcode.com/gh_mirrors/pr/pretty-print-confusion-matrix pretty-confusion-matrix是一个专为Python设计的混淆矩阵可视化工具，能够生成美观且专业的混淆矩阵图表。该工具结合了Seaborn和Matplotlib的强大功能，为用户提供类似MATLAB的绘图效果，是机器学习模型评估和数据科学分析的理想选择。
项目概述
pretty-confusion-matrix的核心目标是简化混淆矩阵的绘制过程，让用户能够通过简洁的API快速生成高质量的混淆矩阵图。无论是从NumPy矩阵还是从两个NumPy数组（实际值和预测值），该工具都能轻松应对。
核心特性
简单易用的API设计
该工具提供了两个主要函数：pp_matrix和pp_matrix_from_data，分别适用于不同的数据输入格式。用户只需几行代码即可完成混淆矩阵的绘制工作。
高度可定制的视觉效果
支持多种配色方案和主题风格，用户可以根据项目需求自定义颜色映射、字体大小、标签样式等参数，确保生成的图表既美观又实用。
灵活的数据输入方式
- 支持从Pandas DataFrame直接绘制
- 支持从NumPy数组（y_test和predictions）生成混淆矩阵
- 自动处理数据格式转换和图表布局优化
安装方法
pip install pretty-confusion-matrix
使用示例
从DataFrame绘制混淆矩阵
import numpy as np
import pandas as pd
from pretty_confusion_matrix import pp_matrix
array = np.array([[13, 0, 1, 0, 2, 0],
[0, 50, 2, 0, 10, 0],
[0, 13, 16, 0, 0, 3],
[0, 0, 0, 13, 1, 0],
[0, 40, 0, 1, 15, 0],
[0, 0, 0, 0, 0, 20]])
# 创建DataFrame
df_cm = pd.DataFrame(array, index=range(1, 7), columns=range(1, 7))
# 选择配色方案并绘制
cmap = 'PuRd'
pp_matrix(df_cm, cmap=cmap)
从向量数据绘制混淆矩阵
import numpy as np
from pretty_confusion_matrix import pp_matrix_from_data
# 准备测试数据和预测结果
y_test = np.array([1, 2, 3, 4, 5])
predic = np.array([3, 2, 4, 3, 5])
pp_matrix_from_data(y_test, predic)
自定义标签功能
pretty-confusion-matrix支持在坐标轴上使用自定义文本标签，而不是默认的整数标签。这在实际应用中非常有用，可以更直观地展示分类结果。
DataFrame方式自定义标签
col = ['Dog', 'Cat', 'Mouse', 'Fox', 'Bird', 'Chicken']
df_cm = pd.DataFrame(array, index=col, columns=col)
向量方式自定义标签
columns = ['Dog', 'Cat', 'Mouse', 'Fox', 'Bird']
pp_matrix_from_data(y_test, predic, columns)
配色方案选择
该工具支持多种配色方案，包括PuRd、Oranges、YlGnBu、Blues、RdBu等。用户可以通过以下代码查看所有可用的配色方案：
from matplotlib import colormaps
list(colormaps)
技术架构
pretty-confusion-matrix基于以下技术栈构建：
- Python 3.9+
- Seaborn 0.13.2+
- Matplotlib 3.9.0+
- Pandas 2.2.2+
- NumPy 2.0.0+
- Scikit-learn 1.5+
应用场景
机器学习模型评估
在分类模型训练过程中，混淆矩阵是评估模型性能的重要工具。pretty-confusion-matrix能够清晰地展示模型的分类效果，帮助识别性能瓶颈。
数据科学研究
在数据科学项目中，该工具可用于比较不同模型的分类性能，为研究决策提供直观的数据支持。
商业分析报告
在企业数据分析中，生成的混淆矩阵图表可以直接用于商业报告和演示文稿，提升报告的专业性和可读性。
项目优势
-
专业级输出质量：生成的混淆矩阵图表具有专业水准，适合学术论文和商业报告使用。
-
高度灵活性：支持多种自定义选项，满足不同用户的个性化需求。
-
易于集成：与现有的Python机器学习工作流无缝集成，无需额外的学习成本。
-
跨平台兼容：支持Windows、macOS和Linux等主流操作系统。
pretty-confusion-matrix是每个数据科学家和机器学习工程师都应该掌握的工具，它能够显著提升模型评估和数据分析的效率与质量。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
