confusionchart

加载费雪的虹膜数据集。

负载fisheririsX =量;Y =物种;

X是一个数字矩阵,包含四个花瓣测量150虹膜。Y是一个单元阵列包含相应的特征向量的虹膜的物种。

训练k最近的邻居(资讯)分类器,最近的邻居的数量预测(k)是5。一个良好的实践是标准化数值预测数据。

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

预测训练数据的标签。

predictedY = resubPredict (Mdl);

从真正的标签创建混淆矩阵图Y和预测的标签predictedY。

厘米= confusionchart (Y, predictedY);

混淆矩阵显示的总数在每个细胞观察。混淆矩阵的行对应于真实的类,和列对应于预测类。对角线和非对角的细胞对应正确和错误分类观察,分别。

默认情况下,confusionchart类型的类定义的自然秩序排序。在这个例子中,类标签是特征向量confusionchart按字母顺序排序的类。使用sortClasses由指定的顺序排序的类或混淆矩阵的值。

的NormalizedValues属性包含混淆矩阵的值。使用点符号显示这些值。

cm.NormalizedValues

ans =3×350 0 0 0 47 3 0 4 46

修改外观和行为的混淆矩阵图通过改变属性值。添加一个标题。

厘米。Title =“虹膜花分类使用资讯”;

添加列和行摘要。

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

row-normalized行摘要显示正确和错误分类的百分比观察每个真正的类。column-normalized列显示正确和错误分类的百分比观察总结为每个预测类。

创建一个混淆矩阵图和排序的类图表根据来说来说真阳性率(召回)或阳性预测值(精度)。

加载和检查心律失常数据集。

负载心律失常isLabels =独特(Y);nLabels =元素个数(isLabels)

nLabels = 13

汇总(分类(Y))

值计算百分比1 245 2 54.20% 44 9.73% 3 15 3.32% 4 15 3.32% 5 13 2.88% 6 25 5.53% 7 3 9 9 8 2 0.44% 0.66% 1.99% 10 50 11.06% 14 4 0.88% 15 5 1.11% 16 4.87%

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

训练一个分类树和树的预测resubstitution响应。

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

从真正的标签创建混淆矩阵图Y和预测的标签predictedY。指定“RowSummary”作为“row-normalized”显示的真阳性和假阳性的比例行总结。同时,指定“ColumnSummary”作为“column-normalized”显示阳性预测值和错误发现率列总结。

无花果=图;厘米= confusionchart (Y, predictedY,“RowSummary”,“row-normalized”,“ColumnSummary”,“column-normalized”);

调整容器的混乱图表所以百分比出现在行总结。

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

分类混淆矩阵根据真阳性,正常细胞在每一行通过设置值归一化财产“row-normalized”然后使用sortClasses。排序后,重置归一化属性回“绝对”显示的总数在每个细胞观察。

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

分类混淆矩阵根据阳性预测值,正常细胞在通过设置每一列值归一化财产“column-normalized”然后使用sortClasses。排序后,重置归一化属性回“绝对”显示的总数在每个细胞观察。

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

一系列高的费舍尔虹膜上执行分类数据集。计算已知的混淆矩阵图,预测高标签使用confusionchart函数。

当你执行计算高数组,MATLAB®使用一个平行池(默认如果你有并行计算工具箱™)或当地的MATLAB会话。要运行示例使用当地的MATLAB会话并行计算工具箱后,改变全球执行环境使用mapreduce函数。

mapreduce (0)

加载费雪的虹膜数据集。

负载fisheriris

把内存中的数组量和物种高大的数组。

tx =高(量);泰=高(物种);

在高数组找到观测的数量。

numObs =收集(长度(ty));%收集收集高数组到内存中

设置使用随机数生成器的种子rng和tallrng再现性和随机选择训练样本。结果取决于工人的数量和执行环境高数组。有关详细信息,请参见控制你的代码运行。

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

适合一个决策树分类器模型的训练样本。

mdl = fitctree (txTrain tyTrain);

评估高表达式使用当地的MATLAB会话:通过1 2:在0.77秒完成,通过2 2:在0.73秒完成评估在2.3秒完成评估高表达式使用本地MATLAB会话:——通过1 4:在0.34秒完成,通过2 4:在0.48秒完成,通过3 4:在0.5秒完成,通过4 4:在0.69秒完成评估在2.5秒完成评估高表达式使用本地MATLAB会话:——通过1 4:在0.26秒完成,通过2 4:在0.2秒完成,通过3 4:在0.37秒完成,通过4 4:在0.32秒完成评估在1.8秒完成评估高表达式使用本地MATLAB会话:——通过1 4:在0.24秒完成,通过2 4:在0.24秒完成,通过3 4:在0.4秒完成,通过4 4:在0.51秒完成评估在1.8秒完成评估高表达式使用本地MATLAB会话:——通过1 4:在0.17秒完成,通过2 4:在0.2秒完成,通过3 4:在0.3秒完成,通过4 4:在0.44秒完成评估在1.5秒完成

预测测试样本的标签使用训练模型。

txt = tx (~ trIdx:);标签=预测(mdl, txt);

创建结果分类混淆矩阵图。

tyTest =泰(~ trIdx);厘米= confusionchart (tyTest标签)

评估高表达式使用当地的MATLAB会话:通过1 1:在0.091秒完成评估在0.27秒完成评估高表达式使用本地MATLAB会话:-通过1对1:在0.31秒完成评估在0.48秒完成

厘米= ConfusionMatrixChart属性:NormalizedValues: [3 x3双]ClassLabels: {} 3 x1细胞显示所有属性

混淆矩阵图显示三个测量杂色的类被误诊。所有的测量属于setosa和virginica正确分类。