`sklearn.metrics`.plot_confusion_matrix¶

sklearn.metrics.plot_confusion_matrix()¶

Graficar la matriz de confusión.

Más información en el Manual de usuario.

Parámetros

estimatorinstancia del estimador: Clasificador ajustado o un Pipeline en el que el último estimador es un clasificador.
X{array-like, sparse matrix} de forma (n_samples, n_features): Valores de entrada.
y_truearray-like de forma (n_samples,): Valores objetivo.
labelsarray-like de forma (n_classes,), default=None: Lista de etiquetas para indexar la matriz. Esto puede utilizarse para reordenar o seleccionar un subconjunto de etiquetas. Si es None, los que aparecen al menos una vez en y_true o y_pred se utilizan en orden ordenado.
sample_weightarray-like de forma (n_samples,), default=None: Ponderaciones de muestra.
normalize{“true”, “pred”, “all”}, default=None: Normaliza la matriz de confusión sobre las verdaderas (filas), las condiciones predichas (columnas) o toda la población. Si es None, la matriz de confusión no se normalizará.
display_labelsarray-like de forma (n_classes,), default=None: Nombres de objetivos utilizados para la gráfica. Por defecto, se utilizará labels si está definido, de lo contrario se utilizarán las etiquetas únicas de y_true y y_pred.
include_valuesbooleano, default=True: Incluye valores en la matriz de confusión.
xticks_rotation{“vertical”, “horizontal”} o flotante, default=”horizontal”: Rotación de etiquetas xtick.
values_formatcadena de caracteres, default=None: Especificación de formato para los valores en la matriz de confusión. Si en None, la especificación de formato es “d” o “.2g” que sea más corta.
cmapcadena de caracteres o matplotlib Colormap, default=”viridis”: Mapa de colores reconocido por matplotlib.
axejes matplotlib, default = None: Objeto de ejes en los que graficar. Si es None, se crea una nueva figura y ejes.
colorbarbooleano, default=True: Añadir o no una barra de colores al gráfico.

Nuevo en la versión 0.24.

Devuelve

displayConfusionMatrixDisplay

Ver también

confusion_matrix: Calcula la matriz de confusión para evaluar la precisión de una clasificación.
ConfusionMatrixDisplay: Visualización de la matriz de confusión.

Ejemplos

>>> import matplotlib.pyplot as plt  
>>> from sklearn.datasets import make_classification
>>> from sklearn.metrics import plot_confusion_matrix
>>> from sklearn.model_selection import train_test_split
>>> from sklearn.svm import SVC
>>> X, y = make_classification(random_state=0)
>>> X_train, X_test, y_train, y_test = train_test_split(
...         X, y, random_state=0)
>>> clf = SVC(random_state=0)
>>> clf.fit(X_train, y_train)
SVC(random_state=0)
>>> plot_confusion_matrix(clf, X_test, y_test)  
>>> plt.show()  

sklearn.metrics.plot_confusion_matrix¶

`sklearn.metrics`.plot_confusion_matrix¶