网上关于混淆矩阵的代码参差不齐，没找到可用的线程的代码，所以自己尝试写了下

1、混淆矩阵：Confusion Matrix

首先它长这样：

怎么看？
Confusion Matrix最广泛的应用应该是分类，比如图中是7分类的真实标签和预测标签的效果。
首先图中表明了纵轴是truth label，横轴是predicted label，那么对于第一行第一个0.60的含义是：本来是angry标签的图，我的模型正确分类成angry的比例是60%，也即是angry这一类模型分类正确的精度只有60%。同时模型将angry分类成了happy的图占比0.04%，其他的以此类推。

注意：因为本身是angry，模型预测成7种类的数量占比。所以每一行的和为100%。

同时对于fear标签，模型分类成fear的占比41%，分类成sad的占比为20%，我们可以认为模型不能很好区分fear和sad两种类别。

2、怎么画？

先给出代码：

import numpy as np
import matplotlib.pyplot as plt


class DrawConfusionMatrix:
    def __init__(self, labels_name, normalize=True):
        """
		normalize：是否设元素为百分比形式
        """
        self.normalize = normalize
        self.labels_name = labels_name
        self.num_classes = len(labels_name)
        self.matrix = np.zeros((self.num_classes, self.num_classes), dtype="float32")

    def update(self, predicts, labels):
        """

        :param predicts: 一维预测向量，eg：array([0,5,1,6,3,...],dtype=int64)
        :param labels:   一维标签向量：eg：array([0,5,0,6,2,...],dtype=int64)
        :return:
        """
        for predict, label in zip(predicts, labels):
            self.matrix[predict, label] += 1

    def getMatrix(self,normalize=True):
        """
        根据传入的normalize判断要进行percent的转换，
        如果normalize为True，则矩阵元素转换为百分比形式，
        如果normalize为False，则矩阵元素就为数量
        Returns:返回一个以百分比或者数量为元素的矩阵

        """
        if normalize:
            per_sum = self.matrix.sum(axis=1)  # 计算每行的和，用于百分比计算
            for i in range(self.num_classes):
                self.matrix[i] =(self.matrix[i] / per_sum[i])   # 百分比转换
            self.matrix=np.around(self.matrix, 2)   # 保留2位小数点
            self.matrix[np.isnan(self.matrix)] = 0  # 可能存在NaN，将其设为0
        return self.matrix

    def drawMatrix(self):
        self.matrix = self.getMatrix(self.normalize)
        plt.imshow(self.matrix, cmap=plt.cm.Blues)  # 仅画出颜色格子，没有值
        plt.title("Normalized confusion matrix")  # title
        plt.xlabel("Predict label")
        plt.ylabel("Truth label")
        plt.yticks(range(self.num_classes), self.labels_name)  # y轴标签
        plt.xticks(range(self.num_classes), self.labels_name, rotation=45)  # x轴标签

        for x in range(self.num_classes):
            for y in range(self.num_classes):
                value = float(format('%.2f' % self.matrix[y, x]))  # 数值处理
                plt.text(x, y, value, verticalalignment='center', horizontalalignment='center')  # 写值

        plt.tight_layout()  # 自动调整子图参数，使之填充整个图像区域

        plt.colorbar()  # 色条
        plt.savefig('./ConfusionMatrix.png', bbox_inches='tight')  # bbox_inches='tight'可确保标签信息显示全
        plt.show()

混淆矩阵是将所有数据的label和predict整理而画的，但实际中往往是分成多个iter来推测batch_size个数据，所以需要update()函数来讲每一次的label和predict值保存进去，模型推理完成后，再调用draw()函数画出混淆矩阵并保存为图片

3、怎么用？

给出一个简单的实例：

labels_name=['angry', 'disgust', 'fear', 'happy', 'sad', 'surprise', 'neutral']

drawconfusionmatrix = DrawConfusionMatrix(labels_name=labels_name)  # 实例化
for index, (labels, imgs) in enumerate(test_loader):
    labels_pd = model(imgs)
    predict_np = np.argmax(labels_pd.cpu().detach().numpy(), axis=-1)   # array([0,5,1,6,3,...],dtype=int64)
    labels_np = labels.numpy()                                          # array([0,5,0,6,2,...],dtype=int64)
    drawconfusionmatrix.update(predict_np, labels_np)   # 将新批次的predict和label更新（保存）
    
drawconfusionmatrix.drawMatrix()  # 根据所有predict和label，画出混淆矩阵

confusion_mat=drawconfusionmatrix.getMatrix() # 你也可以使用该函数获取混淆矩阵(ndarray)
print(confusion)

在我的模型上的结果：

来源：我是一个对称矩阵