显示有两个错误分类和一个缺失分类的数据的混淆矩阵。

为已知组和预测组创建向量。

G1 = [3 2 2 3 1 1]';%已知组g2 = [4 2 3 NaN 1 1]';预测组

返回混淆矩阵。

C = confusimat (g1,g2)

C =4×42 0 0 0 1 1 0 0 0 0 1 0 0 0 0 0

混淆矩阵的行和列的下标C是否相同，并且默认按照的顺序排列(g1, g2)，也就是说，（1，2，3，4）．

混淆矩阵表明，组1中已知的两个数据点被正确分类。对于第2组，有一个数据点被错误地分类到第3组。此外，已知属于第3组的一个数据点被错误地归类到第4组。confusionmat将南值g2的行和列中未包含该值C．

将混淆矩阵绘制为混淆矩阵图confusionchart．

confusionchart (C)

你不需要先计算混淆矩阵，然后绘制它。相反，通过使用，直接从真实和预测的标签绘制混淆矩阵图confusionchart．

Cm =混淆图(g1,g2)

cm = ConfusionMatrixChart with properties: NormalizedValues: [4x4 double] ClassLabels: [4x1 double]显示所有属性

的ConfusionMatrixChart对象中存储数字混淆矩阵NormalizedValues属性中的类ClassLabels财产。使用点表示法显示这些属性。

厘米。NormalizedValues

ans =4×42 0 0 0 1 1 0 0 0 0 1 0 0 0 0 0

厘米。ClassLabels

ans =4×11 2 3 4

显示两个错误分类和一个缺失分类的数据的混淆矩阵，并指定分组顺序。

为已知组和预测组创建向量。

G1 = [3 2 2 3 1 1]';%已知组g2 = [4 2 3 NaN 1 1]';预测组

指定分组顺序并返回混淆矩阵。

C = confismat (g1,g2，“秩序”，[4 3 2 1])

C =4×40 0 0 0 1 0 0 0 1 1 0 0 0 0 2

混淆矩阵的行和列的下标C是相同的，并且按照组序指定的顺序排列，即:(4、3、2、1)．

混淆矩阵的第二行C显示已知在第3组中的一个数据点被错误地分类到第4组。第三行C显示属于组2的一个数据点被错误地分类到组3，第四行显示已知属于组1的两个数据点被正确地分类。confusionmat将南值g2的行和列中未包含该值C．

对样本进行分类fisheriris数据集并显示结果分类的混淆矩阵。

加载费雪的虹膜数据集。

负载fisheriris

将数据中的测量值和分组随机化。

rng (0,“旋风”）;%用于再现性numObs =长度(物种);p = randperm(numObs);Meas = Meas (p，:);Species = Species (p);

通过使用数据的前半部分的测量值来训练一个判别分析分类器。

half = floor(numObs/2);训练= meas(1:一半，:);trainingSpecies =物种(1:一半);Mdl = fitcdiscr(training,trainingSpecies);

使用训练过的分类器预测数据后半段测量值的标签。

Sample = meas(half+1:end，:);grouphat = predict(Mdl，样本);

指定分组顺序并显示结果分类的混淆矩阵。

Group = species(half+1:结束);[C,order] = confismat (group,grouphat，“秩序”, {“setosa”，“多色的”，“virginica”})

C =3×329 0 0 0 22 2 0 0 22

订单=3 x1细胞{'setosa'} {'versicolor'} {'virginica'}

混淆矩阵表明，属于setosa和virginica的测量值被正确分类，而属于versicolor的两个测量值被错误分类为virginica。输出订单包含由组顺序指定的序列中的混淆矩阵的行和列的顺序{“setosa”、“癣”、“virginica '}．

对象的高数组上执行分类fisheriris数据集，为已知和预测的高标签计算一个混淆矩阵confusionmat函数，并使用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。如果要在具有并行计算工具箱时使用本地MATLAB会话运行示例，可以使用mapreduce函数。

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);

使用“本地”配置文件启动并行池(parpool)…连接到并行池(工人数:6)。

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);

评估高表达式使用并行池“当地”:——通过1 2:在3.9秒完成,通过2 2:在1.5秒完成评估在7.3秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.88秒完成,通过2 4:在1.6秒完成,通过3 4:在4秒完成,通过4 4:在2.7秒完成评估在11秒完成评估高表达式使用并行池“当地”:——通过1 4:完成0.54秒-通过2 4:在1.2秒完成,通过3 4:完成在3秒-通过4 4:在2秒完成评估在7.6秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.51秒完成,通过2 4:在1.3秒完成,通过3 4:在3.1秒完成,通过4 4:在2.5秒完成评估在8.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.42秒内完成-通过2 / 4:在1.2秒内完成-通过3 / 4:在3秒内完成-通过4 / 4:在2.1秒内完成评估在7.6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);

计算结果分类的混淆矩阵。

tyTest = ty(~trIdx);[C,order] = confismat (tyTest,label)

C = m×n×…高阵?？？．.．？？？．.．？ ? ? ... : : : : : : Preview deferred. Learn more. order = M×N×... tall array ? ? ? ... ? ? ? ... ? ? ? ... : : : : : : Preview deferred. Learn more.

使用收集函数执行延迟计算并返回的结果confusionmat在内存中。

收集(C)

使用并行池“本地”评估tall表达式:-通过1 / 1:在1.9秒内完成评估，在2.3秒内完成

ans =3×320 0 0 1 30 20 0 22

收集(顺序)

使用并行池“本地”计算tall表达式:在0.032秒内完成计算

ans =3×1细胞{'setosa'} {'versicolor'} {'virginica'}

混淆矩阵显示了彩色类中的三个测量值是错误分类的。所有属于setosa和virginica的测量都被正确分类。

要计算和绘制混淆矩阵，请使用confusionchart代替。

cm =混淆表(tyTest,label)

使用并行池“本地”评估高表达式:-通过1 / 1:在0.34秒内完成评估，在0.6秒内完成评估，使用并行池“本地”评估高表达式:-通过1 / 1:在0.48秒内完成评估，在0.67秒内完成

NormalizedValues: [3×3 double] ClassLabels: {3×1 cell}显示所有属性