如何用最少的代码在 Python 中绘制不同类型的混淆矩阵？

Question

我有 2 个numpy数组，y_actual（实际值）和y_pred（ML 模型预测），都具有二进制值，0 或 1。

目前，我正在confusion matrix根据以下语法形成一个：-

df_confusion = pd.crosstab(y_actual, y_pred, rownames=['Actual'], colnames=['Predicted'], margins=True)
print('Confusion Matrix:')
print(df_confusion)

但是，我查看了 SO 和其他文档，但找不到具有最少代码的综合示例，这可以帮助我完成以下操作：-

1. 形成一个混淆矩阵图（使用matplotlib或Seaborn，其中显示每个类的实际样本数，旁边有 0 asClass A和 1 as 的名称标签Class B。
2. 绘制一个类似的混淆矩阵图，其中在混淆矩阵中显示每个类中的样本百分比（例如真阳性率、假阳性率等）。
3. 绘制一个进一步的混淆矩阵，显示混淆矩阵，以及右侧显示样本数量的比例（像这样）https://scikit-learn.org/stable/_images/sphx_glr_plot_confusion_matrix_001.png。为规范化的情况形成类似的混淆矩阵，如https://scikit-learn.org/stable/_images/sphx_glr_plot_confusion_matrix_001.png。

此外，正如问题中所述，目的是完成将 Class 0 标记为Class AClass 1 as Class B，因为目前这些仅显示为0和1，看起来不太连贯。我更喜欢用最少的代码来完成相同的工作，并生成连贯且美观的混淆矩阵图。高度赞赏这方面的任何帮助。

Answer 1

我将向您介绍拥有大量资源的Kaggle。您应该能够轻松调整下面的示例以满足您的需求。

from sklearn.svm import SVC
from sklearn.metrics import accuracy_score, confusion_matrix, precision_recall_fscore_support

clf = SVC(kernel = 'linear').fit(x_train,y_train)
clf.predict(x_train)
y_pred = clf.predict(x_test)

# Creates a confusion matrix
cm = confusion_matrix(y_test, y_pred) 

# Transform to df for easier plotting
cm_df = pd.DataFrame(cm,
                     index = ['setosa','versicolor','virginica'], 
                     columns = ['setosa','versicolor','virginica'])

plt.figure(figsize=(5.5,4))
sns.heatmap(cm_df, annot=True)
plt.title('SVM Linear Kernel \nAccuracy:{0:.3f}'.format(accuracy_score(y_test, y_pred)))
plt.ylabel('True label')
plt.xlabel('Predicted label')
plt.show()