在机器学习与数据分析场景中，混淆矩阵是评估分类模型效果的核心工具。**在 Python 中绘制混淆矩阵，通常通过 scikit-learn 计算矩阵数据，再结合 Matplotlib 或 Seaborn 进行可视化展示**。这种方式不仅可以直观展示模型预测与真实标签之间的关系，还能进一步计算准确率、召回率、精确率等关键指标，是模型评估流程中的重要步骤。

## 一、什么是混淆矩阵及其作用

混淆矩阵（Confusion Matrix）是一种用于描述分类模型预测结果与真实结果之间关系的二维表格结构。在二分类任务中，它通常由四个部分组成：真正例（TP）、假正例（FP）、真负例（TN）、假负例（FN）。**通过混淆矩阵，我们可以全面理解模型在不同类别上的预测表现，而不仅仅依赖准确率这一单一指标**。在多分类问题中，混淆矩阵会扩展为 N×N 的形式，适用于更复杂的分类场景。

根据 scikit-learn 官方文档（scikit-learn, 2024），混淆矩阵是分类模型评估的标准方法之一，适用于监督学习中的所有分类算法。其优势在于结构清晰、解释性强，并且能够直观展示模型的误分类分布情况。

在实际业务中，例如垃圾邮件识别、医学影像分类、情感分析等领域，绘制混淆矩阵可以帮助我们判断模型是否偏向某一类别，是否存在严重的类别不平衡问题。因此，掌握 Python 绘制混淆矩阵的方法，对于提升模型评估能力至关重要。

## 二、Python绘制混淆矩阵的常用工具

在 Python 中，绘制混淆矩阵通常依赖以下三个核心库：scikit-learn、Matplotlib 和 Seaborn。其中，scikit-learn 负责生成混淆矩阵数据，Matplotlib 提供基础绘图功能，而 Seaborn 则提供更美观的热力图展示方式。

下面表格展示了不同库在绘制混淆矩阵中的作用对比：

| 工具库 | 主要功能 | 是否负责计算矩阵 | 是否负责可视化 | 适用场景 |
|--------|----------|----------------|----------------|----------|
| scikit-learn | 生成混淆矩阵 | 是 | 否 | 所有分类模型 |
| Matplotlib | 基础绘图 | 否 | 是 | 自定义绘图 |
| Seaborn | 热力图可视化 | 否 | 是 | 高美观需求 |

**推荐组合方式是使用 sklearn.metrics.confusion_matrix 计算矩阵，然后使用 seaborn.heatmap 进行可视化展示**。这种组合既保证数据准确性，又能提升图形展示效果。

根据 Seaborn 官方文档（Seaborn, 2023），heatmap 函数非常适合用于展示矩阵型数据，尤其适用于混淆矩阵这类结构化数据。

## 三、使用scikit-learn计算混淆矩阵

在 Python 中，计算混淆矩阵最核心的函数是 sklearn.metrics.confusion_matrix。其基本用法非常简单，只需要传入真实标签（y_true）与预测标签（y_pred）即可。

示例代码如下：

```python
from sklearn.metrics import confusion_matrix

y_true = [0, 1, 0, 1, 0, 1]
y_pred = [0, 1, 0, 0, 1, 1]

cm = confusion_matrix(y_true, y_pred)
print(cm)
```

输出结果为一个二维数组，表示各类别之间的预测关系。**在多分类场景下，该函数会自动生成 N×N 的矩阵结构，无需额外设置**。

此外，confusion_matrix 还支持 labels 参数，可自定义类别顺序。这在类别标签不是按默认排序时非常重要。例如在字符串分类任务中，可以手动指定类别顺序，避免矩阵展示错位。

因此，在实际项目中，建议在计算混淆矩阵时明确指定标签顺序，以确保后续可视化与分析逻辑的一致性。

## 四、使用Matplotlib绘制基础混淆矩阵图

当我们获得混淆矩阵数据后，可以使用 Matplotlib 进行基础绘图。虽然样式较为简单，但灵活性较高，适合自定义需求场景。

示例代码如下：

```python
import matplotlib.pyplot as plt
import numpy as np

plt.imshow(cm, interpolation='nearest', cmap=plt.cm.Blues)
plt.title("Confusion Matrix")
plt.colorbar()
plt.xticks(np.arange(2), ['Class 0', 'Class 1'])
plt.yticks(np.arange(2), ['Class 0', 'Class 1'])
plt.xlabel("Predicted Label")
plt.ylabel("True Label")
plt.show()
```

这种方式能够快速生成混淆矩阵图，但默认不会显示具体数值。**如果需要在每个格子中添加预测数量，需要额外使用 plt.text 进行标注**。

Matplotlib 的优势在于高度可定制，例如可以调整字体大小、颜色、图像尺寸等参数。因此，在科研论文或报告场景中，这种方法较为常见。

## 五、使用Seaborn绘制美观的热力图混淆矩阵

相比 Matplotlib，Seaborn 提供更高级的可视化效果。通过 heatmap 函数，可以轻松绘制带数值标注的混淆矩阵热力图。

示例代码如下：

```python
import seaborn as sns

sns.heatmap(cm, annot=True, fmt="d", cmap="Blues")
plt.xlabel("Predicted Label")
plt.ylabel("True Label")
plt.title("Confusion Matrix")
plt.show()
```

其中 annot=True 表示显示具体数值，fmt="d" 表示整数格式。**Seaborn 的优势在于代码简洁且视觉效果专业，非常适合数据分析报告与模型评估展示**。

下表对比 Matplotlib 与 Seaborn 的差异：

| 维度 | Matplotlib | Seaborn |
|------|-------------|----------|
| 易用性 | 中等 | 高 |
| 美观度 | 一般 | 高 |
| 自定义能力 | 高 | 中等 |
| 推荐场景 | 科研论文 | 数据分析报告 |

在实际项目中，大多数数据科学家更倾向于使用 Seaborn 来绘制混淆矩阵图。

## 六、归一化混淆矩阵的绘制方法

在类别分布不均衡的情况下，原始混淆矩阵可能无法准确反映模型性能。这时可以对混淆矩阵进行归一化处理，使每行数据转换为比例形式。

示例代码如下：

```python
cm_normalized = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]
sns.heatmap(cm_normalized, annot=True, cmap="Blues")
```

**归一化混淆矩阵能够更清晰地展示各类别预测正确率，尤其适用于样本数量差异较大的分类问题**。例如在医学诊断任务中，阳性样本远少于阴性样本，此时归一化矩阵更具参考价值。

在模型评估报告中，建议同时展示原始混淆矩阵与归一化混淆矩阵，以便全面分析模型性能。

## 七、多分类任务中的混淆矩阵绘制

在多分类问题中，混淆矩阵会扩展为 N×N 结构。例如在手写数字识别任务中，类别数量为 10，则矩阵为 10×10。

示例代码结构与二分类相同，只需确保标签列表完整：

```python
cm = confusion_matrix(y_true, y_pred, labels=class_labels)
sns.heatmap(cm, annot=True, fmt="d")
```

**多分类混淆矩阵能够清晰展示模型在哪些类别之间容易混淆，从而指导后续特征优化或数据增强策略**。

例如，在图像分类中，如果模型频繁将“猫”预测为“狗”，则可能需要增加特征区分度或补充样本数据。

## 八、混淆矩阵与其他评估指标结合分析

混淆矩阵不仅可以单独使用，还可以进一步计算精确率（Precision）、召回率（Recall）、F1-score 等指标。这些指标都基于混淆矩阵中的 TP、FP、FN、TN 计算得出。

常见指标对比如下：

| 指标 | 计算方式 | 适用场景 |
|------|-----------|-----------|
| Accuracy | (TP+TN)/总样本 | 类别均衡 |
| Precision | TP/(TP+FP) | 误报成本高 |
| Recall | TP/(TP+FN) | 漏报成本高 |
| F1-score | 精确率与召回率调和平均 | 综合评估 |

**在不平衡数据场景下，不能仅依赖准确率，而应结合混淆矩阵与 F1-score 综合分析**。scikit-learn 提供 classification_report 函数，可以自动生成这些指标报告。

因此，绘制混淆矩阵只是模型评估的一部分，完整流程应包括多指标分析。

## 九、总结与未来趋势

总体来看，Python 绘制混淆矩阵的流程非常清晰：使用 scikit-learn 计算矩阵数据，结合 Matplotlib 或 Seaborn 进行可视化展示，并根据需要进行归一化处理。**混淆矩阵不仅是分类模型评估的基础工具，更是分析模型误分类模式的重要手段**。

未来随着自动化机器学习与可解释性技术的发展，混淆矩阵将与模型可解释工具（如特征重要性分析）结合，形成更完整的模型诊断体系。同时，交互式可视化工具（如基于 Web 的图形界面）也将成为趋势，使模型评估更加直观高效。

掌握 Python 绘制混淆矩阵的方法，是数据分析师与机器学习工程师的基础技能。通过合理使用 scikit-learn、Matplotlib 与 Seaborn，可以快速构建专业级模型评估图表，为后续优化提供数据支持。

参考与资料来源  
scikit-learn Official Documentation, 2024, https://scikit-learn.org  
Seaborn Official Documentation, 2023, https://seaborn.pydata.org

在Python中，常用的绘制混淆矩阵的方法是通过scikit-learn库中的confusion_matrix函数计算混淆矩阵，然后结合matplotlib库进行可视化。此外，seaborn库提供了更简洁美观的heatmap函数，可以直接用混淆矩阵数据绘制热力图。你可以先用confusion_matrix获得矩阵数据，再使用seaborn.heatmap进行绘制。

使用Python绘制混淆矩阵的常见方法

我想了解在Python中有哪些方法可以绘制混淆矩阵？需要使用哪些库？

如何使用Python绘制混淆矩阵？

在绘制混淆矩阵时，可以通过设置matplotlib或seaborn绘图函数的xticklabels和yticklabels参数，来显示类别名称。例如，使用seaborn.heatmap时，传入参数xticklabels和yticklabels为类别列表，就能显示相应的标签，增强混淆矩阵的可读性。

给混淆矩阵添加类别标签的方法

我在绘制混淆矩阵时，想让每个类别名称显示在图的坐标轴上，该怎么做到？

混淆矩阵绘制时如何显示类别标签？

可以利用seaborn.heatmap的参数annot设为True，将矩阵中的数值直接标注在对应的格子内，这样颜色和数值结合，阅读起来更加直观。同时，可以通过fmt参数调整数值的显示格式，以适应不同的数值类型。

混淆矩阵中显示数值的方法

混淆矩阵图中只有颜色深浅很难看清具体数值，有没有办法把数值直接显示在格子里？

如何在混淆矩阵图中添加数值注释？

PingCodeDocs

在Python中绘制混淆矩阵通常通过scikit-learn计算矩阵数据，再结合Matplotlib或Seaborn进行可视化展示。文章系统讲解了混淆矩阵的概念、计算方法、基础绘图方式、热力图美化技巧、归一化处理、多分类应用及与精确率、召回率等指标的结合分析，帮助读者全面掌握分类模型评估流程与实战技巧。

python怎么绘制混淆矩阵

用户关注问题