加载分类问题的预测标签和真实标签样本。trueLabels是图像分类问题的真实标签，以及predictedLabels是卷积神经网络的预测。创建混乱矩阵图。

装载(“Cifar10Labels.mat”,“trueLabels”,“预测标签”）;figure cm = confusionchart(true,predictedLabels);

重新排列混乱矩阵图中的类，使这些类以固定顺序排列。

分类（cm，...[“猫”“狗”“马”“鹿”“鸟”“青蛙”,...“飞机”“船”“汽车”“卡车”]）

加载分类问题的预测标签和真实标签样本。trueLabels是图像分类问题的真实标签，以及predictedLabels是卷积神经网络的预测。创建带有列和行摘要的混淆矩阵图

装载(“Cifar10Labels.mat”,“trueLabels”,“预测标签”)；图cm=混淆图（trueLabels、predictedLabels、，...“ColumnSummary”,“列规格化”,...“行摘要”,“row-normalized”）;

要按类召回率（真阳性率）对混淆矩阵的类进行排序，请规范化每行的单元格值，即按具有相同真类的观察数。按相应的对角单元格值对类进行排序，并重置单元格值的规格化。现在对类进行排序，以便右侧行摘要中蓝色单元格中的百分比减少。

cm.规范化=“row-normalized”；分类（cm，“descending-diagonal”)；cm.规范化=“绝对的”;

按类精度（正预测值）对类进行排序，对每列中的单元格值进行规格化，即按具有相同预测类别的观察数进行规格化。按相应的对角单元格值对类别进行排序，并重置单元格值的规格化。现在对类别进行排序，以便降低底部列摘要中蓝色单元格的百分比唱

cm.规范化=“列规格化”；分类（cm，“descending-diagonal”)；cm.规范化=“绝对的”;