confusionmat
计算分类问题的混淆矩阵
语法
描述
例子
显示混淆矩阵
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]';%被组g2 = [4 2 3 NaN 1 1]';%预测组
返回混淆矩阵。
C = confusionmat (g1, g2)
C =4×42 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 0 0 0 0 1 0 0 0 0
混淆矩阵的行和列的指数C是相同的，并且默认按照?的排序顺序排列(g1, g2),也就是说,(1、2、3、4)．
混淆矩阵表明已知属于第1组的两个数据点被正确地分类了。对于第2组，有一个数据点被误归到第3组。此外，已知属于第3组的一个数据点被错误地划分为第4组。confusionmat将南分组变量中的值g2的行和列中不包含该值C．
将混淆矩阵绘制为混淆矩阵图，使用confusionchart．
confusionchart (C)
您不需要先计算混淆矩阵，然后绘制它。相反，我们可以直接使用真实和预测的标签来绘制一个混淆矩阵图confusionchart．
厘米= confusionchart (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。使用点符号显示这些属性。
厘米。NormalizedValues
ans =4×42 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 0 0 0 0 1 0 0 0 0
厘米。ClassLabels
ans =4×11 2 3 4
指定混淆矩阵的组顺序
显示有两个错误分类和一个缺失分类的数据的混淆矩阵，并指定组顺序。
为已知组和预测组创建向量。
G1 = [3 2 2 3 1 1]';%被组g2 = [4 2 3 NaN 1 1]';%预测组
指定分组顺序并返回混淆矩阵。
C = confusionmat (g1, g2,“秩序”，[4 3 2 1])
C =4×40 0 0 0 1 1 0 0 0 1 1 1 0 0 0 0 2 2
混淆矩阵的行和列的指数C是相同的，并按照组顺序指定的顺序排列，即(4、3、2、1)．
混淆矩阵的第二行C显示已知属于组3的一个数据点被错误地划分为组4。第三排C显示属于组2的一个数据点被错误地分类为组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将南分组变量中的值g2的行和列中不包含该值C．
分类混淆矩阵
对样本进行分类fisheriris数据集和显示混淆矩阵的结果分类。
载入费雪的虹膜数据集。
负载fisheriris
将测量结果和数据分组随机化。
rng (0,“旋风”）；%的再现性numObs =长度(物种);p = randperm (numObs);量=量(p:);物种=物种(p);
使用前半部分数据中的测量值训练判别分析分类器。
一半=地板(numObs / 2);培训=量(1:一半,:);trainingSpecies =物种(1:一半);Mdl = fitcdiscr(培训、trainingSpecies);
使用训练过的分类器预测数据后半部分的测量值的标签。
示例=量(5 + 1:最终,);grouphat =预测(Mdl、样本);
指定分组顺序并显示产生的分类的混淆矩阵。
组=物种(5 + 1:结束);[C,顺序]= confusionmat(组、grouphat“秩序”, {“setosa”，“多色的”，“virginica”}）
C =3×329 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的测度被正确分类，而属于versicolor的两个测度被错误分类为virginica。输出订单包含由组顺序指定的序列中混淆矩阵的行和列的顺序{“setosa”、“癣”、“virginica '}．
高数组分类的混淆矩阵
对一个高大的数组进行分类fisheriris数据集，计算已知和预测的高标号的混淆矩阵confusionmat函数，并使用confusionchart函数。
当您在高数组上执行计算时，MATLAB®使用一个并行池(如果您有parallel Computing Toolbox™，则默认)或本地MATLAB会话。如果您希望在拥有Parallel Computing Toolbox时使用本地MATLAB会话运行该示例，则可以通过使用mapreduce函数。
载入费雪的虹膜数据集。
负载fisheriris
转换内存中的数组量和物种高大的数组。
tx =高(量);
使用“local”配置文件启动并行池(parpool)…连接到并行池(工作人员数量:6)。
泰=高(物种);
求高阵中观测的次数。
numObs =收集(长度(ty));% gather将高数组收集到内存中
使用。设置随机数生成器的种子rng和tallrng为再现性，并随机选取训练样本。结果可能会根据高数组的工作人员数量和执行环境而有所不同。有关详细信息,请参见控制代码运行的位置．
rng (“默认”) tallrng (“默认”) numTrain = floor(nummob /2);[txTrain, trIdx] = datasample (tx numTrain,“替换”、假);tyTrain =泰(trIdx);
在训练样本上拟合一个决策树分类器模型。
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:在0.54秒完成,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秒完成,通过2 4:在1.2秒完成,通过3 4:3秒内完成-通过4道中的第4道:2.1秒内完成评估7.6秒内完成
使用训练好的模型预测测试样本的标签。
txt = tx (~ trIdx:);标签=预测(mdl, txt);
计算所得分类的混淆矩阵。
tyTest =泰(~ trIdx);[C,顺序]= confusionmat (tyTest、标签)
C = M×N×……高大的数组?？？．．．？？？．．．？ ? ? ... : : : : : : 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结果confusionmat在内存中。
收集(C)
使用Parallel Pool 'local'计算tall表达式
ans =3×320 0 0 1 30 20 0 22
收集(顺序)
使用Parallel Pool 'local'计算tall表达式:计算在0.032秒内完成
ans =3×1细胞{'setosa'} {'versicolor'} {'virginica'}
混淆矩阵表明，花色类中的三个测量值是错误分类的。所有属于setosa和virginica的测量值都被正确分类。
要计算和绘制混淆矩阵，请使用confusionchart代替。
厘米= confusionchart (tyTest标签)
using the Parallel Pool 'local': - Pass 1 of 1: Completed in 0.34 sec Evaluation in 0.6 sec using the Parallel Pool 'local': - Pass 1 of 1: Completed in 0.48 sec Evaluation in 0.67 sec
cm = ConfusionMatrixChart with properties: NormalizedValues: [3×3 double] ClassLabels: {3×1 cell}显示所有属性
输入参数
输出参数
选择功能
使用
confusionchart计算并绘制混淆矩阵。此外,confusionchart显示关于数据的汇总统计信息，并根据分类精度(阳性预测值)、分类召回率(真阳性率)或正确分类观察的总数对混淆矩阵的类进行排序。
扩展功能
你也可以从以下列表中选择一个网站:
