1. 引言：为什么要重视混淆矩阵？

在机器学习和深度学习项目中，模型评估是至关重要的一环。混淆矩阵（Confusion Matrix）作为分类任务中最直观、最全面的性能展示工具，不仅能呈现模型的预测结果分布，还能衍生出精确率、召回率、F1分数等核心指标。然而，很多开发者仅停留在调用sklearn.metrics.confusion_matrix的层面，缺乏对可视化细节和指标深入计算的理解。

本文将带你从零开始，用Python绘制一张专业级、可定制、功能强大的混淆矩阵图。代码支持任意大小的矩阵，内置精确率/召回率/F1计算，并提供宏平均、微平均、加权平均等总体统计，同时包含进度条可视化、归一化选项、表格化输出等高级特性。最终成品可直接用于论文、技术报告或商业演示。

---

2. 混淆矩阵基础回顾

对于一个二分类问题，混淆矩阵是一个2×2表格：

	预测为正	预测为负
实际为正	TP	FN
实际为负	FP	TN

• TP：真正例，正确预测为正的样本数

• FP：假正例，错误预测为正的样本数

• FN：假反例，错误预测为负的样本数

• TN：真反例，正确预测为负的样本数

基于此，可计算核心指标：

• 精确率 (Precision) = TP / (TP + FP) —— 预测为正的样本中有多少是真正的正类

• 召回率 (Recall) = TP / (TP + FN) —— 实际为正的样本中有多少被正确预测

• F1分数 = 2 × (Precision × Recall) / (Precision + Recall) —— 精确率和召回率的调和平均

• 准确率 (Accuracy) = (TP + TN) / 总样本数

对于多分类问题，通常采用宏平均（每个类别指标简单平均）、微平均（全局统计计算）、加权平均（按各类样本数加权）来汇总性能。

---

3. 基础绘制：7x7混淆矩阵

我们先从一个简单的7x7混淆矩阵绘制开始，使用Matplotlib和Seaborn。

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

# 示例7x7混淆矩阵（7个类别）
cm = np.array([
    [85, 2, 1, 0, 0, 1, 3],
    [1, 92, 0, 0, 2, 0, 0],
    [0, 1, 78, 4, 0, 0, 0],
    [0, 0, 3, 88, 1, 0, 0],
    [1, 0, 0, 2, 82, 0, 0],
    [2, 1, 0, 0, 0, 79, 1],
    [1, 0, 0, 0, 0, 2, 91]
])

class_names = ['Action', 'Adventure', 'Comedy', 'Drama', 'Horror', 'Romance', 'Sci-Fi']

plt.figure(figsize=(10, 8))
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues',
            xticklabels=class_names, yticklabels=class_names)
plt.title('Confusion Matrix')
plt.xlabel('Predicted')
plt.ylabel('True')
plt.show()

这段代码能生成一个带数值标签的热力图，但缺少指标信息，且样式较为朴素。下面我们将逐步增强。

---

4. 进阶美化：集成指标计算与专业配色

我们希望右侧直接显示每个类别的精确率和召回率，并采用统一的蓝色主题（文字黑色，确保打印清晰）。

4.1 指标计算函数

def calculate_metrics(cm):
    n = cm.shape[0]
    precision, recall, f1, support = [], [], [], []
    total_tp = total_fp = total_fn = 0
    for i in range(n):
        tp = cm[i, i]
        fp = cm[:, i].sum() - tp
        fn = cm[i, :].sum() - tp
        sup = cm[i, :].sum()
        p = tp / (tp + fp) if (tp + fp) > 0 else np.nan
        r = tp / (tp + fn) if (tp + fn) > 0 else np.nan
        f = 2 * p * r / (p + r) if (p + r) > 0 else np.nan
        precision.append(p)
        recall.append(r)
        f1.append(f)
        support.append(sup)
        total_tp += tp
        total_fp += fp
        total_fn += fn
    accuracy = total_tp / cm.sum() if cm.sum() > 0 else np.nan
    return precision, recall, f1, support, accuracy, total_tp, total_fp, total_fn

4.2 右侧指标文本面板（早期版本）

早期版本中，我们使用ax.text在右侧垂直排列指标，并添加进度条（每个▇代表5%）。

# 生成指标文本
metrics_text = []
for cls, p, r in zip(class_names, precision, recall):
    p_str = f"{p:.2%}" if not np.isnan(p) else "N/A"
    r_str = f"{r:.2%}" if not np.isnan(r) else "N/A"
    p_bars = "▇" * int(np.floor(p*20)) if not np.isnan(p) else ""
    r_bars = "▇" * int(np.floor(r*20)) if not np.isnan(r) else ""
    metrics_text.append(
        f"{cls}\nPrecision: {p_str} {p_bars}\nRecall:    {r_str} {r_bars}\n{'-'*30}"
    )
# 在ax1上绘制...

但这种方式在类别较多时易导致文本溢出或对齐问题。因此我们最终采用表格化布局。

---

5. 高级功能：表格化多指标展示

最终版代码：混淆矩阵热力图，两个表格（类别指标表 + 总体统计表）。支持以下特性：

• 任意大小的混淆矩阵（n×n），自动适配。

• 三类平均：宏平均、微平均、加权平均。

• 进度条：每个指标后附可视化进度条（可选）。

• 归一化：可选择显示行归一化百分比。

• 字体兼容：使用sans-serif和monospace，避免字体缺失。

• 异常处理：除零或空值显示“N/A”。

• 保存图片：支持指定路径保存高清图。

---

6. 使用示例及效果展示

6.1 示例代码

if __name__ == "__main__":
    # 7x7 混淆矩阵
    cm = np.array([
        [85, 2, 1, 0, 0, 1, 3],
        [1, 92, 0, 0, 2, 0, 0],
        [0, 1, 78, 4, 0, 0, 0],
        [0, 0, 3, 88, 1, 0, 0],
        [1, 0, 0, 2, 82, 0, 0],
        [2, 1, 0, 0, 0, 79, 1],
        [1, 0, 0, 0, 0, 2, 91]
    ])

    class_names = ['Action', 'Adventure', 'Comedy', 'Drama', 'Horror', 'Romance', 'Sci-Fi']

    advanced_confusion_matrix(
        cm=cm,
        classes=class_names,
        normalize=False,
        show_bars=True,
        cmap='Blues',
        title='Movie Genre Classification Performance',
        figsize=(24, 12),
        dpi=100,
        save_path='confusion_matrix.png'
    )

6.2 输出效果描述

运行上述代码后，你将看到一幅结构清晰、信息丰富的图表：

• 左侧：蓝色渐变热力图，每个单元格显示原始计数，对角线深色表示正确分类。

• 右上：类别指标表，每行包含类名、精确率（带进度条）、召回率（带进度条）、F1分数（带进度条）、支持度（该类真实样本数）。进度条由“▇”组成，每个▇代表5%，直观反映指标高低。

• 右下：总体统计表，包含准确率、宏平均、加权平均、微平均的精确率/召回率/F1。空白列用于对齐。

• 底部：进度条图例说明。

所有文字均为黑色，表格边框为浅灰色，标题和表头有浅蓝色背景，整体风格专业、清晰。

---

7. 参数详解与自定义指南

参数名	类型	默认值	说明
cm	numpy.ndarray	必填	混淆矩阵，必须是方阵
classes	list	必填	类别名称列表，长度需等于矩阵阶数
normalize	bool	False	是否对混淆矩阵按行归一化（显示百分比）
show_bars	bool	True	是否在指标后显示进度条
cmap	str/cmap	'Blues'	热力图颜色映射，可选 'Blues','Greens','Oranges','Reds' 等
title	str	'Enhanced Confusion Matrix'	图表主标题
figsize	tuple	(22,12)	画布尺寸，可根据类别数调整
dpi	int	100	输出图像分辨率
save_path	str or None	None	若提供路径，则保存图像到该文件

自定义建议：

• 对于类别较多的矩阵（>10），可适当增大figsize，减小表格字体（代码中已有自适应，但可手动调整table.set_fontsize()）。

• 如需修改颜色主题，可将cmap更换为喜欢的配色，如'Reds'、'Purples'。

• 若不想显示进度条，设置show_bars=False即可。

---

8. 常见问题及解决方案

Q1: 运行时出现 Font family 'Arial' not found.

原因：系统中未安装Arial字体。
解决：代码中已使用sans-serif和monospace通用字体族，无需指定具体字体。若仍有警告，可在代码开头添加：

plt.rcParams['font.family'] = 'sans-serif'

Q2: 表格中的进度条显示不完整或过短

原因：进度条长度计算为int(p*20)，即每5%一个块。如果指标值较低（如12%），将显示2个块，符合设计。
调整：如需改变粒度，修改代码中的乘数（如p*10为10%一个块）。

Q3: 混淆矩阵中有全零行或全零列，导致除零错误

解决：代码已使用np.nan处理，并最终显示“N/A”，不会崩溃。

Q4: 图像保存后文字模糊

解决：增加dpi参数，如dpi=300，同时确保figsize足够大。

---

9. 总结与展望

本文从零开始，逐步构建了一个功能全面、样式专业、健壮可靠的混淆矩阵可视化工具。它不仅支持7x7矩阵，也能无缝扩展到任意大小的分类任务。通过集成精确率、召回率、F1、支持度、宏/微/加权平均等指标，并以表格化+进度条的形式清晰展示，帮助开发者快速评估模型性能。

未来可扩展方向：

• 支持多输出（multi-output）混淆矩阵。

• 添加交互式功能（如鼠标悬停显示详细信息）。

• 集成到机器学习框架（如TensorBoard）中。

希望本文能成为你模型评估工具箱中的得力助手。如果你有任何改进建议或遇到问题，欢迎在评论区留言交流！

版权声明：本文为CSDN博主原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接。