python混淆函数 python 混入

Python sklearn.metrics模块混淆矩阵常用函数

1.accuracy_score(y_true, y_pred, normalize=True, sample_weight=None)

参数分别为y实际类别、预测类别、返回值要求（True返回正确的样本占比，false返回的是正确分类的样本数量）

eg：

import numpy as np

from sklearn.metrics import accuracy_score

y_pred = [0, 2, 1, 3]

y_true = [0, 1, 2, 3]

accuracy_score(y_true, y_pred)

0.5

accuracy_score(y_true, y_pred, normalize=False)

2.classification_report(y_true, y_pred, labels=None, target_names=None, sample_weight=None, digits=2)

参数：真是类别，预测类别，目标类别名称

eg：

3.confusion_matrix(y_true, y_pred, labels=None, sample_weight=None)

输出为混淆矩阵

eg：

太多了，写3个常用的吧，具体参考help(metrics)

defcm_plot(y,yp):#参数为实际分类和预测分类

fromsklearn.metricsimportconfusion_matrix

#导入混淆矩阵函数

cm = confusion_matrix(y,yp)

#输出为混淆矩阵

importmatplotlib.pyplotasplt

#导入作图函数

plt.matshow(cm,cmap=plt.cm.Greens)

# 画混淆矩阵图，配色风格使用cm.Greens

plt.colorbar()

# 颜色标签

forxinrange(len(cm)):

foryinrange(len(cm)):

plt.annotate(cm[x,y],xy=(x,y),horizontalalignment='center',verticalalignment='center')

#annotate主要在图形中添加注释

# 第一个参数添加注释

# 第一个参数是注释的内容

# xy设置箭头尖的坐标

#horizontalalignment水平对齐

#verticalalignment垂直对齐

#其余常用参数如下：

# xytext设置注释内容显示的起始位置

# arrowprops 用来设置箭头

# facecolor 设置箭头的颜色

# headlength 箭头的头的长度

# headwidth 箭头的宽度

# width 箭身的宽度

plt.ylabel('True label')# 坐标轴标签

plt.xlabel('Predicted label')# 坐标轴标签

returnplt

#函数调用

cm_plot(train[:,3],tree.predict(train[:,:3])).show()

相关问答

Q1: Python程序代码混淆、编译、打包、运行（桌面程序防破解向）

像Python这种解释性的语言，要想私有化部署的同时又保护好源码，就像是对于鱼和熊掌的追求。

虽然做不到尽善尽美，但是对代码进行混淆，增加一点破解的难度，或许能规避一些泄露的风险。

本次演示环境：linux

确保要发布的包根目录("demo")中有__main__.py文件，这个是程序执行入口。

编译

批量改名.pyc文件

移动.pyc文件

清理.py文件

清理__pycache__文件夹

打包成zip

运行时只要将zip文件作为参数即可

最终整合脚本

调用方式

对于在变量和函数名上的混淆有点小儿科，而对于跨文件的类名的混淆又太容易实现。

所以对于混淆程度的取舍，要视工程的规模而定。

2.1 混淆工具pyminifier

在原来的工具 pyminifier上修复了几个bug。

安装：

python3 安装

或者clone下来，自行安装

使用例子

2.2 源码变更

不同的配置对于源码的要求不同，以下是笔者踩过的坑。

其他混淆想法

结合混淆、编译和打包，尝试出以下发布脚本。

主要的思路 ：创建一个工作目录tmp，然后在此目录下混淆、编译python代码，完成后把内容打包成pyc文件，再将pyc文件和其他配置文件移动到dist，发布dist即可。

混淆的目的是最大程度保护源码，在发布到客户端后不被轻易破解。

Q2: python是否有绘制混淆矩阵的函数，怎么来实现

# -*- coding: UTF-8 -*-

"""绘制混淆矩阵图"""

import matplotlib.pyplot as plt

from sklearn.metrics import confusion_matrix

def confusion_matrix_plot_matplotlib(y_truth, y_predict, cmap=plt.cm.Blues):

    """Matplotlib绘制混淆矩阵图

    parameters

    ----------

        y_truth: 真实python混淆函数的y的值, 1d array

        y_predict: 预测的y的值, 1d array

        cmap: 画混淆矩阵图的配色风格, 使用cm.Bluespython混淆函数，更多风格请参考官网

    """

    cm = confusion_matrix(y_truth, y_predict)

    plt.matshow(cm, cmap=cmap)  # 混淆矩阵图

    plt.colorbar()  # 颜色标签

    for x in range(len(cm)):  # 数据标签

        for y in range(len(cm)):

            plt.annotate(cm[x, y], xy=(x, y), horizontalalignment='center', verticalalignment='center')

    plt.ylabel('True label')  # 坐标轴标签

    plt.xlabel('Predicted label')  # 坐标轴标签

    plt.show()  # 显示作图结果

if __name__ == '__main__':

    y_truth = [1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0]

    y_predict = [1, 0, 0, 1, 0, 1, 1, 1, 1, 1, 0, 1, 0, 1, 0]

    confusion_matrix_plot_matplotlib(y_truth, y_predict)

关于python混淆函数和python 混入的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。