フィッシャーのアヤメのデータセットを読み込みます。

负载fisheririsX =量;Y =物种;

Xは150本のアヤメについて4つの花弁の測定値が含まれている数値行列です。Yは,対応するアヤメの種類が含まれている文字ベクトルの细胞配列です。

k最近傍(资讯)分類器に学習させます。ここで,予測子の最近傍の個数(k5)はです。数値予測子データを標準化することをお勧めします。

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

学習データのラベルを予測します。

predictedY = resubPredict (Mdl);

真のラベルYと予測ラベルpredictedYから混同行列チャートを作成します。

厘米= confusionchart (Y, predictedY);

混同行列では,観測値の総数が各セルに表示されます。混同行列の行は真のクラスに、列は予測クラスに対応します。対角線上のセルは正しく分類された観測値に、対角線外のセルは誤って分類された観測値に対応します。

既定では,confusionchartは排序によって定義される自然な順序にクラスを並べ替えます。この例では,クラスラベルが文字ベクトルなので,confusionchartはクラスをアルファベット順に並べ替えます。指定した順序または混同行列の値でクラスを並べ替えるには,sortClassesを使用します。

NormalizedValuesプロパティには、混同行列の値が格納されています。ドット表記を使用して、これらの値を表示します。

厘米。NormalizedValues

ans =3×350 0 0 47 3 0 4 46

プロパティ値を変更して,混同行列チャートの外観と動作を変更します。タイトルを追加します。

厘米。Title =‘利用KNN进行鸢尾花分类’；

列と行の要約を追加します。

厘米。RowSummary =“row-normalized”; cm.摘要=“column-normalized”；

行正規化による行要約では,真のクラスのそれぞれについて,正しく分類された観測値と誤って分類された観測値の割合が表示されます。列正規化による列要約では,各予測クラスについて,正しく分類された観測値と誤って分類された観測値の割合が表示されます。

混同行列チャートを作成し,クラス単位の真陽性率(再現率)またはクラス単位の陽性の予測値(精度)に従ってチャートのクラスを並べ替えます。

心律失常データセットを読み込み検証します。

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

nLabels = 13

汇总(分类(Y))

值计数百分比1 245 54.20% 2 44 9.73% 3 15 3.32% 4 15 3.32% 5 13 2.88% 6 25 5.53% 73 0.66% 8 2 0.44% 99 1.99% 10 50 11.06% 14 4 0.88% 15 5 1.11% 16 22 4.87%

不整脈のさまざまな段階を表す16個の異なるラベルがデータに含まれていますが,応答(Y13)には個の異なるラベルのみが含まれています。

分類木に学習をさせ,木の再代入応答を予測します。

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

真のラベルYと予測ラベルpredictedYから混同行列チャートを作成します。真陽性率と偽陽性率を行要約に表示するため,“RowSummary”として“row-normalized”を指定します。また,陽性の予測値と偽発見率を列要約に表示するため,“ColumnSummary”として“column-normalized”を指定します。

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

混同チャートのコンテナーのサイズを変更して,パーセントが行要約に表示されるようにします。

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

真陽性率に従って混同行列を並べ替えるため,归一化プロパティを“row-normalized”に設定することにより各行でセルの値を正規化してから,sortClassesを使用します。並べ替えた後で,観測値の総数を各セルに表示するため,归一化プロパティを“绝对”にリセットします。

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

陽性の予測値に従って混同行列を並べ替えるため,归一化プロパティを“column-normalized”に設定することにより各列でセルの値を正規化してから,sortClassesを使用します。並べ替えた後で,観測値の総数を各セルに表示するため,归一化プロパティを“绝对”にリセットします。

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

フィッシャーのアヤメのデータセットの高配列に対して分類を実行します。関数confusionchartを使用して,既知の高ラベルと予測した高ラベルに対する混同行列チャートを計算します。

高配列に対する計算を実行する場合,MATLAB®は並列プール(并行计算工具箱™がある場合は既定)またはローカルのMATLABセッションを使用します。并行计算工具箱がある場合にローカルのMATLABセッションを使用して例を実行するには,関数mapreduceを使用してグローバルな実行環境を変更します。

mapreduce (0)

フィッシャーのアヤメのデータセットを読み込みます。

负载fisheriris

インメモリ配列梅斯および物种を高配列に変換します。

tx =高(量);泰=高(物种);

高配列内の観測値の個数を求めます。

numObs =收集(长度(ty));% gather将高数组收集到内存中

再現性を得るためにrngとtallrngを使用して乱数発生器のシードを設定し,学習標本を無作為に選択します。高配列の場合、ワーカーの個数と実行環境によって結果が異なる可能性があります。詳細については、コードの実行場所の制御を参照してください。

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

決定木分類器モデルを学習標本にあてはめます。

mdl = fitctree (txTrain tyTrain);

使用本地MATLAB会话评估tall表达式：-第1次，共2次：在0.94秒内完成-第2次，共2次：在0.8秒内完成评估在2.6秒内完成使用本地MATLAB会话评估tall表达式：-第1次，共4次：在0.54秒内完成-第2次，共4次：在0.87秒内完成-第3次，共4次：在0.59秒内完成-第4次：在0.81秒内完成评估在3.5秒内完成使用本地MATLAB会话评估tall表达式：-第1次，共4次：在0.39秒内完成-第2次，共4次：在0.48秒内完成-第3次，共4次：在0.4秒内完成评估在2.8秒内完成使用本地MATLAB评估tall表达式课程：-第1次，共4次：在0.33秒内完成-第2次，共4次：在1.4秒内完成-第3次，共4次：在0.43秒内完成-第4次，共4次：在0.56秒内完成评估在3.1秒内完成使用本地MATLAB评估tall表达式课程：-第1次，共4次：在0.3秒内完成-第2次，共4次：在0.26秒内完成-第3次，共4次：在0.56秒-通过4次中的第4次：在0.51秒内完成评估在2.3秒内完成

学習済みのモデルを使用して,検定標本のラベルを予測します。

txt = tx (~ trIdx:);标签=预测(mdl, txt);

生成された分類について混同行列チャートを作成します。

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

using the Local MATLAB Session: - Pass 1 of 1: Completed in 0.35 sec Evaluation Completed in 0.6 sec使用Local MATLAB Session: - Pass 1 of 1: Completed in 0.3 sec Evaluation Completed in 0.47 sec

cm = ConfusionMatrixChart with properties: NormalizedValues: [3x3 double] ClassLabels: {3x1 cell}显示所有属性

この混同行列チャートは,杂色的クラスの測定値の3つが誤分類されたことを示しています。setosaおよびvirginicaに属している測定は,すべて正しく分類されています。