加载费雪的虹膜数据集。

负载fisheririsX = meas;Y =物种;

X是一个数字矩阵，包含150个鸢尾花的四个花瓣测量值。Y是包含相应虹膜种类的特征向量的单元格数组。

训练k-最近邻(KNN)分类器，其中预测器(k)为5。一个好的做法是将数值预测器数据标准化。

Mdl = fitcknn(X,Y，“NumNeighbors”5,“标准化”1);

预测训练数据的标签。

predictedY = resubPredict(Mdl);

根据真实的标签创建一个混淆矩阵图表Y预测的标签predictedY．

cm = confusionchart(Y,predictedY);

混淆矩阵显示了每个单元格中的观察总数。混淆矩阵的行对应真实的类别，列对应预测的类别。对角线单元格和非对角线单元格分别对应正确分类和错误分类的观测值。

默认情况下,confusionchart按定义的自然顺序对类进行排序排序．在这个例子中，类标签是字符向量，所以confusionchart按字母顺序对类进行排序。使用sortClasses按指定的顺序或混淆矩阵值对类进行排序。

的NormalizedValues属性包含混淆矩阵的值。使用点表示法显示这些值。

厘米。NormalizedValues

ans =3×350 0 0 0 47 3 0 4 46

通过更改属性值修改混淆矩阵图的外观和行为。添加一个标题。

厘米。Title =“基于KNN的鸢尾花分类”；

添加列和行摘要。

厘米。RowSummary =“row-normalized”；厘米。ColumnSummary =“column-normalized”；

行规范化行摘要显示每个真实类的正确分类和错误分类观察值的百分比。列规范化列摘要显示每个预测类的正确分类和错误分类观测值的百分比。

创建一个混淆矩阵图，并根据类真阳性率(召回率)或类阳性预测值(精确度)对图表的类进行排序。

装载和检查心律失常数据集。

负载心律失常isLabels =唯一的(Y);nLabels = number (isLabels)

nLabels = 13

汇总(分类(Y))

数值计数百分比1 245 54.20% 2 44 9.73% 3 15 3.32% 4 15 3.32% 5 13 2.88% 6 25 5.53% 73 0.66% 8 2 0.44% 99 1.99% 10 50 11.06% 14 4 0.88% 15 5 1.11% 16 22 4.87%

数据包含16个不同的标签，描述不同程度的心律失常，但反应(Y)只包含13个不同的标签。

训练分类树，预测分类树的再替换反应。

Mdl = fitctree(X,Y);predictedY = resubPredict(Mdl);

根据真实的标签创建一个混淆矩阵图表Y预测的标签predictedY．指定“RowSummary”作为“row-normalized”在行摘要中显示真阳性率和假阳性率。同时,指定“ColumnSummary”作为“column-normalized”在列摘要中显示阳性预测值和错误发现率。

图;cm =混淆图(Y,predictedY，“RowSummary”，“row-normalized”，“ColumnSummary”，“column-normalized”）;

调整混淆图的容器大小，以便在行摘要中显示百分比。

fig_Position = fig.Position;fig_Position(3) = fig_Position(3)*1.5;fig.Position = fig_Position;

要根据真阳性率对混淆矩阵进行排序，请将每行的单元格值归一化归一化财产“row-normalized”然后使用sortClasses．排序后，重置归一化财产返回“绝对”以显示每个单元格中的观察总数。

厘米。归一化=“row-normalized”；sortClasses(厘米,“descending-diagonal”)厘米。归一化=“绝对”；

要根据阳性预测值对混淆矩阵进行排序，请将每列中的单元格值归一化归一化财产“column-normalized”然后使用sortClasses．排序后，重置归一化财产返回“绝对”以显示每个单元格中的观察总数。

厘米。归一化=“column-normalized”；sortClasses(厘米,“descending-diagonal”)厘米。归一化=“绝对”；

对Fisher虹膜数据集的高阵列进行分类。计算已知和预测的高标签的混淆矩阵图confusionchart函数。

在高数组上执行计算时，MATLAB®使用并行池(如果有并行计算工具箱™，则默认为并行池)或本地MATLAB会话。若要在具有并行计算工具箱时使用本地MATLAB会话运行示例，请使用mapreduce函数。

mapreduce (0)

加载费雪的虹膜数据集。

负载fisheriris

转换内存中的数组量而且物种到高数组。

Tx =高(平均);Ty =高(物种);

求高数组中观测值的个数。

numObs = gather(length(ty));将高数组收集到内存中

使用设置随机数生成器的种子rng而且tallrng为了重现性，随机选择训练样本。根据工作人员的数量和tall数组的执行环境，结果可能有所不同。详细信息请参见控制代码运行的位置．

rng (“默认”) tallrng (“默认”) numTrain = floor(numObs/2);[txTrain,trIdx] = datasample(tx,numTrain，“替换”、假);tyTrain = ty(trIdx);

在训练样本上拟合决策树分类器模型。

mdl = fitctree(txTrain,tyTrain);

评估高表达式使用当地的MATLAB会话:通过1 2:在0.4秒完成,通过2 2:在0.35秒完成评估在1.1秒完成评估高表达式使用本地MATLAB会话:——通过1 4:在0.18秒完成,通过2 4:在0.26秒完成,通过3 4:在0.23秒完成,通过4 4:在0.36秒完成评估在1.3秒完成评估高表达式使用本地MATLAB会话:4 -通过1:完成0.078秒-通过2 4:在0.22秒完成,通过3 4:在0.18秒完成,通过4 4:在0.41秒完成评估在1.1秒完成评估高表达式使用本地MATLAB会话:——通过1 4:在0.1秒完成,通过2 4:在0.14秒完成,通过3 4:在0.14秒完成,通过4 4:在0.26秒完成评估在0.81秒完成评估高表达式使用本地MATLAB会话:4 -通过1:在0.11秒内完成-通过2 / 4:在0.11秒内完成-通过3 / 4:在0.25秒内完成-通过4 / 4:在0.28秒内完成评估在1秒内完成

使用训练好的模型预测测试样本的标签。

txTest = tx(~trIdx，:);label = predict(mdl,txTest);

为结果分类创建混淆矩阵图。

tyTest = ty(~trIdx);cm =混淆表(tyTest,label)

使用本地MATLAB会话计算tall表达式:-通过1 / 1:在0.043秒内完成，在0.21秒内完成，使用本地MATLAB会话计算tall表达式:-通过1 / 1:在0.17秒内完成，在0.26秒内完成

NormalizedValues: [3x3 double] ClassLabels: {3x1 cell}显示所有属性

混淆矩阵图显示彩色类中有三个测量值被错误分类。所有属于setosa和virginica的测量都被正确分类。