Seaborn 绘制多个混淆矩阵图

在本文中，我们将介绍如何使用Seaborn绘制多个混淆矩阵图，并给出相应的示例说明。

Seaborn 简介

Seaborn是Python中一个流行的数据可视化库，建立在Matplotlib之上，提供了更美观、更强大的统计图表绘制功能。Seaborn的设计目标是使得数据可视化变得简单，同时提供了丰富的颜色调色板、统计图表样式等可自定义的选项。

混淆矩阵

混淆矩阵是评估分类模型性能的一种常用工具。它是一个2×2的矩阵，用于展示分类模型在测试集上的预测结果与实际标签的一致性。其中，真正例（True Positive，TP）表示模型正确预测为正类的样本数量，假正例（False Positive，FP）表示模型错误预测为正类的样本数量，真反例（True Negative，TN）表示模型正确预测为负类的样本数量，假反例（False Negative，FN）表示模型错误预测为负类的样本数量。

使用混淆矩阵可以得出模型的准确率（accuracy）、精确率（precision）、召回率（recall）和F1-score等指标，这些指标能够更全面地评价分类模型的性能。

使用Seaborn绘制多个混淆矩阵图

在Seaborn中，我们可以使用heatmap()函数绘制混淆矩阵图。下面是一个绘制单个混淆矩阵图的示例代码：

import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

# 构造混淆矩阵（示例数据）
confusion_matrix = np.array([[85, 15], [20, 80]])

# 绘制混淆矩阵图
sns.heatmap(confusion_matrix, annot=True, fmt="d", cmap="YlGnBu")

# 添加图表标题和标签
plt.title("Confusion Matrix")
plt.xlabel("Predicted label")
plt.ylabel("True label")

# 显示图表
plt.show()

上述代码首先构造了一个混淆矩阵（示例数据），然后使用heatmap()函数绘制混淆矩阵图。其中，annot=True参数表示在每个单元格中显示对应数值，fmt="d"参数表示显示整数，cmap="YlGnBu"参数表示使用YlGnBu颜色调色板。

要绘制多个混淆矩阵图，我们可以使用Matplotlib的子图功能，将多个混淆矩阵图放置在一个图表中。下面是一个绘制多个混淆矩阵图的示例代码：

import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

# 构造混淆矩阵列表（示例数据）
confusion_matrices = [
    np.array([[85, 15], [20, 80]]),
    np.array([[90, 10], [15, 85]]),
    np.array([[80, 20], [30, 70]])
]

# 设置子图布局
fig, axs = plt.subplots(1, len(confusion_matrices), figsize=(12, 4))

# 绘制每个混淆矩阵图
for i, confusion_matrix in enumerate(confusion_matrices):
    ax = axs[i]
    sns.heatmap(confusion_matrix, annot=True, fmt="d", cmap="YlGnBu", ax=ax)
    ax.set_title(f"Confusion Matrix {i+1}")
    ax.set_xlabel("Predicted label")
    ax.set_ylabel("True label")

# 调整子图之间的距离
fig.tight_layout()

# 显示图表
plt.show()

上述代码中，我们首先构造了一个混淆矩阵列表（示例数据），然后使用subplots()函数创建一个包含多个子图的图表。subplots(1, len(confusion_matrices), figsize=(12, 4))参数表示创建一行len(confusion_matrices)列的子图布局，其中figsize=(12, 4)参数表示图表的大小为12×4英寸。

接着，我们使用for循环遍历混淆矩阵列表，按顺序绘制每个混淆矩阵图，并通过set_title()、set_xlabel()和set_ylabel()函数设置子图的标题和标签。

最后，我们使用fig.tight_layout()函数调整子图之间的距离，使得图表布局更加美观。最后调用plt.show()显示图表。

通过上述代码，我们可以绘制出多个混淆矩阵图，每个图都有各自的标题和标签，方便对比分析不同混淆矩阵之间的差异。