前言

昨天介紹評估推論（或者測試）結果的方法，今天要來介紹混淆矩陣（Confusion Matrix）。混淆矩陣也是在分類問題上常被使用的評估方法，顯示預測結果和真實值的比較，再利用一些工具將混淆矩陣繪製出來，更能看出推論結果，幫助模型的改善。

混淆矩陣

一個二分類的混淆矩陣如下：

對角線就是預測正確的數量。由混淆矩陣可以更好分析預測結果，對於結果的判讀不會由單一準確度結果做評斷。接下來介紹兩種方法，來繪製混淆矩陣，建議延續昨天的程式碼使用。

方法（一）：Seaborn

Seaborn 為基於 Matplotlib 的 Python 視覺化工具庫，更專注於繪製統計圖表的功能。

import seaborn as sns
from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt

# 定義混淆矩陣
cm = confusion_matrix(y_true, y_pred)

# 使用 seaborn 繪製
plt.figure(figsize=(8, 6))
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', 
            xticklabels=['black', 'grizzly', 'panda', 'polar', 'teddy'], 
            yticklabels=['black', 'grizzly', 'panda', 'polar', 'teddy'])
plt.xlabel('Predicted Labels')
plt.ylabel('True Labels')
plt.title('Confusion Matrix')

說明

使用 sklearn.metrics 中的 confusion_matrix 計算混淆矩陣：

（使用 Spyder 查看 cm 變數的結果）
使用 seaborn.heatmap() 繪製熱圖（Heat Map），annot 設定為 True 會顯示對應數值，fmt 設定 'd' 表示以整數顯示，cmap 用來設定顏色系統，xticklabels 和 yticklabels 分別為 x 軸和 y 軸的標籤。

繪製結果

方法（二）：ConfusionMatrixDisplay

來自 scikit-learn 的方法，功能是繪製混淆矩陣圖表：

from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay

# 定義混淆矩陣
cm = confusion_matrix(y_true, y_pred)

# 使用 ConfusionMatrixDisplay 繪製
disp = ConfusionMatrixDisplay(confusion_matrix=cm, 
                              display_labels=['black', 'grizzly', 'panda', 'polar', 'teddy'])
disp.plot(cmap='Blues')

說明

使用 ConfusionMatrixDisplay() 並設定混淆矩陣變數與標籤，再使用 plot() 設定顏色系統，就可以繪製混淆矩陣圖表了。

繪製結果

這樣推論結果是不是更一目了然了呢？顏色愈深表示數值愈大，也更方便分析推論結果。

模型的部分就在此告一段落，明天開始要介紹部署的方法了～

參考資料

• 混淆矩陣 - 維基百科，自由的百科全書
• seaborn: statistical data visualization
• ConfusionMatrixDisplay — scikit-learn 1.5.2 documentation