尝试使用seaborn.heatmap运行混淆矩阵

混淆矩阵是用于评估分类模型性能的一种常用工具，它展示了模型在不同类别上的预测结果与真实结果之间的差异。seaborn是一个基于matplotlib的Python数据可视化库，它提供了一种简洁美观的方式来绘制混淆矩阵。

在使用seaborn.heatmap运行混淆矩阵之前，需要先计算混淆矩阵。混淆矩阵是一个N×N的矩阵，其中N是类别的数量。矩阵的每个元素表示模型将一个类别预测为另一个类别的次数。可以使用sklearn.metrics模块中的confusion_matrix函数来计算混淆矩阵。

以下是一个示例代码，展示了如何使用seaborn.heatmap绘制混淆矩阵：

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

# 假设有真实标签和预测标签
true_labels = [0, 1, 2, 0, 1, 2, 0, 1, 2]
predicted_labels = [0, 0, 2, 0, 2, 1, 0, 1, 2]

# 计算混淆矩阵
cm = confusion_matrix(true_labels, predicted_labels)

# 使用seaborn绘制混淆矩阵热图
sns.heatmap(cm, annot=True, fmt="d", cmap="Blues")

# 设置坐标轴标签
plt.xlabel("Predicted labels")
plt.ylabel("True labels")

# 显示图形
plt.show()

在这个示例中，true_labels是真实的标签，predicted_labels是模型的预测标签。首先使用confusion_matrix函数计算混淆矩阵，然后使用seaborn.heatmap绘制热图。参数annot=True表示在热图中显示每个单元格的数值，fmt="d"表示使用整数格式显示数值，cmap="Blues"表示使用蓝色调色板。

这样就可以得到一个美观的混淆矩阵热图，用于直观地展示模型的分类性能。