python绘制混淆矩阵matrix总结以及相关函数详解

本文旨在全面介绍python绘制混淆矩阵的全过程，并分享相应函数的全部可选参数，之前在查相关资料的时候，发现站内很多人写相关的分享资料的时候，完全只是照搬官网的参数列表并解释每个参数是啥意思--------可你有没有想过：对于小白而言，知道啥意思还不够，还得知道怎么用呀！！!

1. 首先绘制混淆矩阵，首先你得有个矩阵来存放你的深度学习的结果（一般深度学习处理分类问题时需要绘制混淆矩阵来较为直观的反映结果），所以第一步，就是将你的预测值和实际值转换为混淆矩阵。

C1= confusion_matrix(test_y, gp_n,normalize='true') 
#True_label 真实标签 shape=(n,1);T_predict1 预测标签 shape=(n,1)

C1表示你用来装结构的混淆矩阵

confusion_matrix这个函数的功能就是用来把你的结果转换成混淆矩阵，具体怎么用呢，请看下面介绍：

首先，里面常用的参数主要就三个

第一个参数，我这里的示例用的是test_y，表示你结果的标签。

第二个参数，我这里的示例是gp_n，表示你分类给出的预测结果的标签。

（上述两个参数的格式，都是（n,1）格式，其中第一个n表示你数据集的标签的数量，如果你模型训练的结果不是这个格式，那也简单，直接转化就好了。)

一般来说，我们丢进模型的数据，输入和输出都是tensor类型的数据，所以一般首先先将其转换成数组，比如你的结