Python 用Plot_consusion_矩阵绘制多个混淆矩阵
我正在使用Python 用Plot_consusion_矩阵绘制多个混淆矩阵,python,matplotlib,machine-learning,scikit-learn,seaborn,Python,Matplotlib,Machine Learning,Scikit Learn,Seaborn,我正在使用sklearn.metrics中的plot\u composition\u matrix。我想将这些混淆矩阵表示为相邻的子图,我如何才能做到这一点?让我们使用good'ol iris数据集来重现这一点,并将几个分类器装配起来,以绘制它们各自的混淆矩阵: 设立- X_train, X_test, y_train, y_test = train_test_split(X, y) classifiers = [LogisticRegression(solver='lbfgs'),
sklearn.metrics
中的plot\u composition\u matrix
。我想将这些混淆矩阵表示为相邻的子图,我如何才能做到这一点?让我们使用good'ol iris数据集来重现这一点,并将几个分类器装配起来,以绘制它们各自的混淆矩阵:
设立-
X_train, X_test, y_train, y_test = train_test_split(X, y)
classifiers = [LogisticRegression(solver='lbfgs'),
AdaBoostClassifier(),
GradientBoostingClassifier(),
SVC()]
for cls in classifiers:
cls.fit(X_train, y_train)
因此,你可以在一个简单的场景中比较所有矩阵的方法,就是创建一组子图。然后在Axis对象和经过训练的分类器上迭代(plot\u consolution\u matrix
期望将其作为输入),并绘制各个混淆矩阵:
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(15,10))
for cls, ax in zip(classifiers, axes.flatten()):
plot_confusion_matrix(cls,
X_test,
y_test,
ax=ax,
cmap='Blues',
display_labels=data.target_names)
ax.title.set_text(type(cls).__name__)
plt.tight_layout()
plt.show()
谢谢,这正是我想要的。
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(15,10))
for cls, ax in zip(classifiers, axes.flatten()):
plot_confusion_matrix(cls,
X_test,
y_test,
ax=ax,
cmap='Blues',
display_labels=data.target_names)
ax.title.set_text(type(cls).__name__)
plt.tight_layout()
plt.show()