如何使用 Sklearn 绘制带标签的混淆矩阵：从入门到精通

在机器学习领域，构建一个高精度的分类模型固然重要，但如何直观、准确地评估模型的表现更是关键中的关键。作为一名开发者，你可能经常听到“我的模型准确率达到了 95%”，但这往往掩盖了模型在特定类别上的短板。这时，混淆矩阵就成为了我们手中最有力的武器之一。

在本文中，我们将深入探讨如何使用 Python 的 Scikit-Learn (Sklearn) 库来绘制和优化带标签的混淆矩阵。我们不仅会讲解基本概念，还会通过实战代码展示如何从简单的计数矩阵升级为包含百分比、自定义颜色和标签的高可视化图表。无论你是刚入门的数据科学爱好者，还是寻求最佳实践的有经验开发者，这篇文章都将为你提供实用的参考。

理解混淆矩阵的核心

在开始敲代码之前，让我们先达成一个共识：混淆矩阵到底是什么？简单来说，它是一个用于评估分类算法性能的表格，通过将“实际的目标值”与“模型预测的值”进行对比，让我们一目了然地看到模型在哪里犯了错。

为了更好地使用它，我们需要熟悉它的四个核心组成部分（以二分类为例）：

• 真阳性: “正确预测为正类的实例”。模型说它是正类，实际上它确实是。这是我们最希望看到的结果。
• 真阴性: “正确预测为负类的实例”。模型说它不是，实际上它也确实不是。
• 假阳性: “被错误预测为正类的实例数量”。这被称为“第一类错误”。模型误报了，把负类当成了正类。
• 假阴性: “被错误预测为负类的实例数量”。这被称为“第二类错误”。模型漏报了，把正类当成了负类。

这个矩阵对于计算准确率、精确率、召回率和 F1 分数等性能指标非常有用。如果你想深入理解模型的性能瓶颈，掌握混淆矩阵的绘制与解读是必不可少的一步。

环境准备：工欲善其事，必先利其器

为了确保后续的代码能够顺利运行，我们需要在系统中安装必要的库。假设你已经安装了 Python，我们可以使用 pip 来安装 Scikit-Learn 和 Matplotlib 这两个核心库：

pip install scikit-learn matplotlib numpy

安装完成后，我们就可以开始动手实践了。

基础实战：构建分类模型并绘制矩阵

让我们从构建一个简单的分类模型开始。在本例中，我们将使用 Sklearn 自带的经典数据集——鸢尾花数据集。这是一个非常适合多分类测试的数据集。

#### 步骤 1：构建模型

首先，我们加载数据，并将其划分为训练集和测试集。为了保证结果的可复现性，我们设置了随机种子。这里我们选择一个随机森林分类器作为我们的基线模型。

import numpy as np
import matplotlib.pyplot as plt
# 导入必要的库和函数
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay

# 1. 加载数据
iris = load_iris()
# X 是特征数据，y 是标签
X = iris.data
y = iris.target

# 2. 划分训练集和测试集
# test_size=0.3 表示 30% 的数据用于测试
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 3. 初始化并训练模型
clf = RandomForestClassifier(random_state=42)
clf.fit(X_train, y_train)

print("模型训练完成。")

#### 步骤 2：生成预测结果

模型训练好后，我们需要在测试集上进行预测，以便后续对比实际值和预测值。

# 使用训练好的模型对测试集进行预测
y_pred = clf.predict(X_test)

print(f"预测完成，共预测了 {len(y_pred)} 个样本。")

#### 步骤 3：绘制带标签的混淆矩阵（简洁版）

在旧版本的 Sklearn 中，绘制混淆矩阵可能需要配合 Matplotlib 写不少代码。但现在，Sklearn 提供了非常方便的 INLINECODE0cd68125 类。我们不仅可以直接绘制矩阵，还可以通过 INLINECODEefbeeedd 参数指定类别名称，这样图表的可读性会大大提升。

# 1. 计算混淆矩阵数据
cm = confusion_matrix(y_test, y_pred)

# 2. 创建显示对象
# display_labels 参数用于指定 X 轴和 Y 轴的标签名称
disp = ConfusionMatrixDisplay(confusion_matrix=cm, 
                              display_labels=iris.target_names)

# 3. 绘制图表
# cmap=plt.cm.Blues 设置配色方案为蓝色系，比较专业美观
fig, ax = plt.subplots(figsize=(8, 6))
disp.plot(ax=ax, cmap=plt.cm.Blues)
plt.title(‘Confusion Matrix with Labels‘)
plt.show()

通过上面的代码，你将得到一个清晰的混淆矩阵图。X 轴代表预测的类别，Y 轴代表真实的类别。对角线上的颜色越深、数字越大，说明模型在该类别上的预测越准确。

进阶优化：自定义与归一化

仅仅展示原始的计数值往往是不够的。在处理样本不平衡的数据集时，我们可能更关心“预测错误的百分比”。这时，我们就需要对矩阵进行“归一化”处理。

#### 为什么需要归一化？

想象一下，如果真实标签中有 100 个“类别 A”和 5 个“类别 B”。即使模型把所有的“类别 B”都预测错了，原始矩阵上的数字可能也不大显眼。但如果我们把数值转换为百分比（0 到 1 之间），就能一眼看出“类别 B”的错误率高达 100%。

#### 步骤 4：绘制带百分比的归一化矩阵

让我们深入到代码层面，手动实现一个更加灵活、视觉效果更好的混淆矩阵。我们将把每一行除以其总和，从而得出每个真实类别的预测百分比。

import numpy as np
import matplotlib.pyplot as plt

# 重新计算一次矩阵（确保变量存在）
cm = confusion_matrix(y_test, y_pred)

# --- 归一化处理 ---
# 将矩阵转换为浮点数，并按行（真实类别）进行归一化
cm_normalized = cm.astype(‘float‘) / cm.sum(axis=1)[:, np.newaxis]

# --- 开始绘制 ---
fig, ax = plt.subplots(figsize=(8, 6))

# 使用 imshow 将矩阵显示为图像
# interpolation=‘nearest‘ 保证图像清晰度，不进行插值模糊
im = ax.imshow(cm_normalized, interpolation=‘nearest‘, cmap=plt.cm.Blues)

# 添加颜色条，直观理解颜色深浅代表的数值
ax.figure.colorbar(im, ax=ax)

# 设置坐标轴
# xticks 和 yticks 用于设置刻度位置
# xticklabels 和 yticklabels 用于设置刻度上的文字标签
ax.set(xticks=np.arange(cm.shape[1]),
       yticks=np.arange(cm.shape[0]),
       xticklabels=iris.target_names, 
       yticklabels=iris.target_names,
       title=‘Normalized Confusion Matrix (Percentage)‘,
       ylabel=‘True label‘,
       xlabel=‘Predicted label‘)

# 优化标签显示角度，防止文字重叠
plt.setp(ax.get_xticklabels(), rotation=45, ha="right",
         rotation_mode="anchor")

# 在每个单元格中添加文本注释
# fmt 设置为百分比格式（保留两位小数）
fmt = ‘.2f‘
# thresh 是阈值，用于决定文字颜色是白色还是黑色（为了保证在深浅背景下的对比度）
thresh = cm_normalized.max() / 2.

# 遍历矩阵的每个单元格，添加数值文本
for i in range(cm.shape[0]):
    for j in range(cm.shape[1]):
        ax.text(j, i, format(cm_normalized[i, j], fmt),
                ha="center", va="center",
                color="white" if cm_normalized[i, j] > thresh else "black")

# 自动调整布局，防止标签被截断
fig.tight_layout()
plt.show()

深入探索：代码原理与最佳实践

在上面的进阶代码中，我们运用了几个重要的技巧，让我们来拆解一下它们的工作原理和适用场景。

1. NumPy 的广播机制

在归一化步骤中，INLINECODE5d81e0a9 是关键。INLINECODEb36853a3 计算的是每一行的总和（即每个真实类别的样本总数），这是一个一维数组。通过 INLINECODE2668ae7f，我们将其转换成了一个列向量。这样，当我们将 INLINECODE7e48407d（矩阵）除以这个列向量时，NumPy 会自动进行广播操作，将矩阵的每一行都除以对应的总和。这是处理数据归一化时非常高效且 Pythonic 的写法。

2. 自动文本颜色调整

你可能会好奇代码中的 thresh 是做什么的。在数据可视化中，可读性至关重要。如果一个单元格的背景颜色很深（数值大，接近 1.0），用黑色文字就很难看清；反之，背景很浅（数值小），用白色文字也看不清。我们计算矩阵最大值的一半作为阈值，当数值大于这个阈值时用白色文字，否则用黑色文字。这种细节处理能极大地提升图表的专业度。

3. 处理多类别与不平衡数据

在实际应用中，你可能会遇到样本极其不平衡的情况（例如欺诈检测，欺诈样本极少）。在这种情况下，只看“准确率”是没有意义的。归一化后的混淆矩阵能帮助你发现模型是否完全忽略了少数类。如果模型总是预测多数类，那么混淆矩阵的少数类那一列数值就会非常低（错误率高），这在归一化图中会非常明显。

常见错误与解决方案

在绘制混淆矩阵的过程中，你可能会遇到一些“坑”。让我们来看看如何解决它们。

问题 1：标签顺序错乱

有时，模型输出的类别顺序（0, 1, 2）和数据的原始标签顺序不一致。比如 INLINECODE1b6600e5 是 INLINECODE39990ace，但模型内部编码可能是乱序的。

• 解决方法： 始终在绘制时显式指定 INLINECODE9a07b388 参数，并确保传入的 INLINECODE175f590e 和 y_pred 使用了相同的编码规则。不要依赖 Sklearn 的默认排序，特别是当你使用了自定义的标签编码器时。

问题 2：图表中文显示乱码

如果你的项目需要将标签改为中文（例如“类别 A”、“类别 B”），Matplotlib 默认字体往往不支持中文显示，导致显示为方框。

• 解决方法： 需要配置 Matplotlib 的字体设置。你可以在代码开头添加如下配置（前提是你系统中有中文字体，如 SimHei）：

plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘] # 用来正常显示中文标签
plt.rcParams[‘axes.unicode_minus‘] = False  # 用来正常显示负号

问题 3：如何获取具体的数值列表？

有时候你不需要画图，只需要拿到混淆矩阵的数值来进行后续计算（比如计算 F1-score 的特定加权版本）。

• 解决方法： 直接调用 INLINECODEb160ad9d 返回的就是一个 NumPy 数组。你可以直接访问它，例如 INLINECODE58852bf4 就能拿到第一行第二列（将类别 0 误判为类别 1）的样本数量。

结语

通过这篇文章，我们从基础概念出发，一步步构建了分类模型，并掌握了如何使用 Sklearn 绘制基础版和进阶版（归一化、带百分比）的混淆矩阵。我们还深入探讨了代码背后的逻辑以及在实际工作中可能遇到的问题。

这不仅仅是一个绘图技巧，更是你深入理解模型行为的一扇窗。当你下一次在模型评估中感到困惑时，不妨试着画一个带标签的混淆矩阵，它可能会告诉你答案。希望这些技巧能帮助你在机器学习的道路上走得更远！

现在，你可以尝试将这些代码应用到自己的项目中，看看你的模型表现到底如何吧！