Bỏ qua đến nội dung chính
Mục lục

cannot import name 'plot_confusion_matrix': cách sửa

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 12/18 · Chương 13

Giải nghĩa lỗi và cảnh báo

  • 6 phút
  • Cơ bản
  • Python 3.14
  • Cập nhật

Code cũ gọi plot_confusion_matrix(model, X, y) báo lỗi ngay ở dòng import trên scikit-learn mới, vì hàm vẽ confusion matrix này đã bị gỡ khỏi sklearn.metrics. Cách sửa là đổi sang lớp ConfusionMatrixDisplay: from_estimator() nhận đúng ba tham số như hàm cũ, còn from_predictions() nhận nhãn thật và nhãn đoán.

Cần biết trước: classification_report trong sklearn.

Bảng tra nhanh: hàm cũ và cách viết mới

Lỗi thuộc lớp ImportError: module sklearn.metrics có thật, nhưng tên cần import bên trong nó không còn. Ba hàm vẽ cũ bị đánh dấu bỏ ở bản 1.0 và bị xóa ở bản 1.2, nên mọi bản từ 1.2 đều báo lỗi này; các lớp …Display thay thế có from_estimator() và from_predictions() từ bản 1.0:

Code cũ

Code mới

plot_confusion_matrix(model, X, y)

ConfusionMatrixDisplay.from_estimator(model, X, y)

plot_confusion_matrix(model, X, y, normalize="true")

ConfusionMatrixDisplay.from_estimator(model, X, y, normalize="true")

đã có y_doan, không cần model

ConfusionMatrixDisplay.from_predictions(y, y_doan)

plot_roc_curve(model, X, y)

RocCurveDisplay.from_estimator(model, X, y)

plot_precision_recall_curve(model, X, y)

PrecisionRecallDisplay.from_estimator(model, X, y)

Thông báo lỗi có thêm đường dẫn tới file của thư viện trên máy bạn, khác nhau giữa các máy, nên khối dưới chỉ in phần trước dấu ngoặc:

python
try:
    from sklearn.metrics import plot_confusion_matrix
except ImportError as loi:
    print(type(loi).__name__)
    print(str(loi).split(" (")[0])

KẾT QUẢ

ImportError
cannot import name 'plot_confusion_matrix' from 'sklearn.metrics'

Đổi plot_confusion_matrix ở dòng hai thành plot_roc_curve rồi chạy lại: dòng cuối in cannot import name 'plot_roc_curve' from 'sklearn.metrics'.

from_estimator: thay thẳng hàm cũ

from_estimator() gọi model.predict(X) rồi vẽ, như hàm cũ. Nó nhận thêm display_labels= để đặt tên lớp, và ax= để vẽ vào axes của bạn, nơi bạn đặt tiêu đề và nhãn trục tiếng Việt:

python
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import ConfusionMatrixDisplay
from sklearn.model_selection import train_test_split
kh = pd.read_csv("hoi_vien.csv")
X = kh[["so_don_90_ngay", "so_ngay_tu_lan_mua_cuoi"]]
X_tr, X_te, y_tr, y_te = train_test_split(
    X, kh["roi_bo"], stratify=kh["roi_bo"], random_state=0)
model = LogisticRegression().fit(X_tr, y_tr)
fig, ax = plt.subplots(figsize=(6.4, 4), layout="constrained")
ConfusionMatrixDisplay.from_estimator(
    model, X_te, y_te, display_labels=["Ở lại", "Rời bỏ"], ax=ax)
ax.set(title="Rời bỏ, tập test", xlabel="Model đoán", ylabel="Thực tế")
plt.show()
Confusion matrix 2 × 2 của 750 hội viên, hàng là thực tế, cột là model đoán: 579 ở lại đoán đúng, 22 bị đoán nhầm rời bỏ, 125 rời bỏ bị bỏ sót, 24 rời bỏ đoán đúng.

Ô sáng nhất là 579 khách ở lại được đoán đúng. Hàng dưới mới là điều cần đọc: trong 149 khách rời bỏ thật, model chỉ bắt được 24. Cách đọc từng ô có ở bài confusion matrix.

from_predictions và tỉ lệ theo hàng

Khi đã có nhãn đoán, from_predictions(y_that, y_doan) vẽ mà không cần model. Tham số normalize="true" chia mỗi hàng cho tổng của hàng đó, nên mỗi ô là tỉ lệ trên số khách thật của lớp ấy:

python
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import ConfusionMatrixDisplay
from sklearn.model_selection import train_test_split

kh = pd.read_csv("hoi_vien.csv")
X = kh[["so_don_90_ngay", "so_ngay_tu_lan_mua_cuoi"]]
X_tr, X_te, y_tr, y_te = train_test_split(
    X, kh["roi_bo"], stratify=kh["roi_bo"], random_state=0)
y_doan = LogisticRegression().fit(X_tr, y_tr).predict(X_te)
hien = ConfusionMatrixDisplay.from_predictions(
    y_te, y_doan, normalize="true")
print(hien.confusion_matrix.round(2))

KẾT QUẢ

[[0.96 0.04]
 [0.84 0.16]]
Confusion matrix 2 × 2 chia theo hàng của tập test hội viên: hàng ở lại có 0,96 đoán đúng và 0,04 đoán nhầm; hàng rời bỏ có 0,84 bị bỏ sót và chỉ 0,16 đoán đúng.

Model bỏ sót 84 % khách rời bỏ. Hình chia theo hàng hợp khi hai lớp chênh nhau nhiều: hình đếm số khách làm ô 579 lấn át mọi ô khác, còn hình tỉ lệ cho thấy ngay mỗi lớp được đoán đúng bao nhiêu phần, như recall của từng lớp. Mảng số nằm trong thuộc tính confusion_matrix của đối tượng trả về, nên bạn đọc được con số mà không cần nhìn hình.

Kiểm tra nhanh

  1. Với from sklearn.metrics import ConfusionMatrixDisplay, ConfusionMatrixDisplay.from_predictions([0, 0, 1, 1], [0, 1, 1, 1], normalize="true").confusion_matrix.tolist() cho kết quả gì?

    • [[0.5, 0.5], [0.0, 1.0]]
    • [[1, 1], [0, 2]]
    • [[1.0, 0.33], [0.0, 0.67]]
  2. Dòng from sklearn.metrics import plot_confusion_matrix chạy với scikit-learn 1.8.0 báo lỗi gì?

    • ImportError
    • ModuleNotFoundError
    • NameError
  3. Những câu nào đúng về ConfusionMatrixDisplay?

    • from_estimator(model, X, y) nhận đúng ba tham số như hàm cũ
    • from_predictions() nhận nhãn thật trước, nhãn đoán sau
    • Thuộc tính confusion_matrix giữ mảng số đã vẽ
    • from_predictions() cần model đã fit
Đúng hết lần đầu +15 XP

Bài tập

Ma trận tỉ lệ theo hàng

Bạn muốn tự dựng ConfusionMatrixDisplay(confusion_matrix=...) từ một mảng tỉ lệ đã tính sẵn. Viết thân hàm bang_ty_le(y_that, y_doan) trả confusion matrix của hai list nhãn, chia theo hàng (normalize="true"): mỗi ô là tỉ lệ trên số mẫu thật của lớp ở hàng đó. Hàm không sửa hai list của nơi gọi.

Ví dụ: y_that = [0, 0, 1, 1], y_doan = [0, 1, 1, 1] cho mảng [[0.5, 0.5], [0.0, 1.0]].

Trả về: ma trận tỉ lệ, một ndarray.

python
import numpy as np
from sklearn.metrics import confusion_matrix

def bang_ty_le(y_that, y_doan):
    pass  # Viết thân hàm thay cho dòng này

Tóm tắt

  • plot_confusion_matrix, plot_roc_curve, plot_precision_recall_curve bị đánh dấu bỏ ở 1.0, bị gỡ khỏi sklearn.metrics ở 1.2; import chúng báo ImportError.

  • ConfusionMatrixDisplay.from_estimator(model, X, y) thay thẳng hàm cũ; display_labels= và ax= đặt tên lớp và axes.

  • from_predictions(y_that, y_doan) vẽ từ nhãn đã có; đảo thứ tự thì ma trận lật mà không báo lỗi.

  • normalize="true" chia theo hàng; mảng số nằm trong thuộc tính confusion_matrix.

Câu hỏi thường gặp

Đổi màu hay định dạng số trên hình thế nào?

from_estimator() và from_predictions() nhận cmap= để đổi bảng màu, như cmap="Blues", và values_format= để đổi cách in số, như values_format=".2f" khi đã chuẩn hóa. Cách đọc các ô có ở bài confusion matrix.

Bài toán nhiều lớp có vẽ được không?

Được: ma trận có bao nhiêu lớp thì bấy nhiêu hàng và cột, và display_labels là list tên theo thứ tự lớp. Đọc kèm từng dòng của classification_report để thấy lớp nào bị nhầm nhiều nhất.

Code cũ dùng plot_roc_curve thì sửa sao?

Đổi sang RocCurveDisplay.from_estimator(model, X, y), cùng ba tham số. Đường cong precision recall cũng vậy với PrecisionRecallDisplay.from_estimator().

Chủ đề

plot confusion matrix

Dữ liệu của bài

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE

  • Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
  • Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
  • Xây hệ thống AI cho doanh nghiệp tại VietPlatform.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập