confusionchart
为分类问题建立混淆矩阵图
语法
描述
confusionchart (从真标签创建一个混淆矩阵图表trueLabels，predictedLabels）trueLabels预测标签predictedLabels并返回一个ConfusionMatrixChart对象。混淆矩阵的行对应真实类，列对应预测类。对角线和非对角线单元格分别对应正确分类和错误分类的观测结果。使用厘米在混淆矩阵图创建后对其进行修改。有关属性列表，请参见ConfusionMatrixChart属性．
confusionchart (类中出现的类标签x设在和y设在。如果您已经在工作空间中有一个数字混淆矩阵和类标签，请使用此语法。米，classLabels）
confusionchart (在指定的图、面板或选项卡中创建混淆图表父，___）父．
confusionchart (___，指定附加的名称,值）ConfusionMatrixChart使用一个或多个名值对参数的属性。在所有其他输入参数之后指定属性。有关属性列表，请参见ConfusionMatrixChart属性．
厘米= confusionchart (___）ConfusionMatrixChart对象。使用厘米在创建图表后修改其属性。有关属性列表，请参见ConfusionMatrixChart属性．
例子
创建混乱矩阵图
加载一个分类问题的预测标签和真实标签的样本。trueLabels真正的标签是一个图像分类的问题和predictedLabels是卷积神经网络的预测。
负载(“Cifar10Labels.mat”，“trueLabels”，“predictedLabels”）;
创建一个混淆矩阵图表。
图cm = confusichart (trueLabels,predictedLabels);
通过改变属性值来修改混淆矩阵图的外观和行为。添加列和行摘要和标题。列归一化列摘要显示每个预测类的正确分类和错误分类的观察数，作为对应预测类的观察数的百分比。行归一化的行摘要显示每个真实类的正确分类和错误分类的观察数，作为对应真实类的观察数的百分比。
厘米。ColumnSummary =“column-normalized”；厘米。RowSummary =“row-normalized”；厘米。Title =“CIFAR-10混淆矩阵”；
从数字混淆矩阵创建混淆矩阵图表
你可以用confusionchart从数字混淆矩阵创建一个混淆矩阵图。
加载一个混淆矩阵样本米和相关的类标签classLabels．
负载(“Cifar10ConfusionMat.mat”，“米”，“classLabels”）;米
m =10×10923年4 21日8 4 1 5 5 23日6 5 972 2 0 0 0 0 1 5 15 26 892 30 13 8 17 5 4 3 12 4 32 826 24 48 30 12 5 7 5 1 898年28日24日13 14 14 2 1 2 7 28 111 18 801 13 17 0 3 5 0 943年16日27日3 4 1 1 0 9 1 14 13 915年22日17日3 2 4 37 10 4 4 0 1 2 1 931 10 20 39 3 3 0 0 2 1 9 923
classLabels
classLabels =10 x1分类飞机汽车鸟猫鹿狗青蛙马船卡车
根据数字混淆矩阵和类标签创建一个混淆矩阵图表。
cm = confusichart (m,classLabels);
按精确度或召回对类进行排序
加载一个分类问题的预测标签和真实标签的样本。trueLabels真正的标签是一个图像分类问题和predictedLabels是卷积神经网络的预测。创建一个包含列和行摘要的混淆矩阵图表
负载(“Cifar10Labels.mat”，“trueLabels”，“predictedLabels”）;图cm = confusichart (trueLabels,predictedLabels，.．.“ColumnSummary”，“column-normalized”，.．.“RowSummary”，“row-normalized”）;
要按类智者回忆率(真阳性率)对混淆矩阵的类进行排序，需要将每一行的单元格值规范化，即按具有相同真类的观察数进行规范化。按相应的对角线单元格值对类进行排序，并重置单元格值的归一化。现在对类进行了排序，使右侧行摘要中蓝色单元格中的百分比正在减少。
厘米。归一化=“row-normalized”；sortClasses(厘米,“descending-diagonal”）;厘米。归一化=“绝对”；
要按类的精确程度(正预测值)对类进行排序，请对每一列的单元格值进行规范化，也就是说，按具有相同预测类的观测值的数量进行规范化。按相应的对角线单元格值对类进行排序，并重置单元格值的归一化。现在对类进行了排序，底部列摘要中蓝色单元格中的百分比正在减少。
厘米。归一化=“column-normalized”；sortClasses(厘米,“descending-diagonal”）;厘米。归一化=“绝对”；
输入参数
输出参数
限制
MATLAB®的代码生成不支持金宝app
ConfusionMatrixChart对象。
更多关于
提示
如果您有一个热点(one-of-N)数据，则使用
onehotdecode为使用准备数据confusionchart．例如，假设您有真实的标签目标预测标签输出，并将观察结果列成栏。你可以创建一个混淆矩阵图使用numClasses = size(targets,1);trueLabels = onehotdecode(targets,1:numClasses,1);predictedLabels = onehotdecode(outputs,1:numClasses,1);confusionchart (trueLabels predictedLabels)
如果您有统计和机器学习工具箱™，您可以为高数组创建一个混淆矩阵图。详情请参见
confusionchart(统计和机器学习工具箱)而且用于高阵列分类的混淆矩阵(统计和机器学习工具箱)．
您也可以从以下列表中选择网站:
