显示对于具有两个错误分类与一个缺少的分类数据的混淆矩阵。

为已知的组和预测的组创建向量。

g1 = [3 2 2 3 11 1]';％已有组G2 = [4 2 3的NaN 1 1]';％预测组

返回混淆矩阵。

C = confusionmat（G1，G2）

C =4×42 0 0 0 0 1 1 0 0 0 0 1 0 0 0 0

混淆矩阵的行和列的索引C是相同的，在排序顺序通过默认设置[G1; G2]， 那是，(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。对于第2组，其中一个数据点被误分为第3组。此外，已知的第3组数据点之一被错误地归类为第4组。confusionmat对待为NaN在分组变量值G2的行和列中不包含该值C。

通过使用绘制混淆矩阵作为一个混淆矩阵图表confusionchart。

confusionchart (C)

你不需要先计算混淆矩阵，然后绘制。取而代之的是，通过使用直接从真实的和预测的标签绘制混淆矩阵图表confusionchart。

厘米= confusionchart（G1，G2）

属性:NormalizedValues: [4x4 double]类标签:[4x1 double]显示所有属性

该ConfusionMatrixChart对象中存储数字混淆矩阵NormalizedValues财产和在类ClassLabels财产。使用点表示法显示这些属性。

cm.NormalizedValues

ans =4×42 0 0 0 0 1 1 0 0 0 0 1 0 0 0 0

cm.ClassLabels

ans =4×11 2 3 4

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。

为已知的组和预测的组创建向量。

g1 = [3 2 2 3 11 1]';％已有组G2 = [4 2 3的NaN 1 1]';％预测组

指定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 0 0 0 0 1 1 0 0 0 0 2

混淆矩阵的行和列的索引C是相同的，并按照组序指定的顺序排列，即:(4、3、2、1)。

混淆矩阵的第二行C显示，已知在组3中的数据点中的一个被错误分类到第4组。第三行的C表示属于第2组的数据点中有一个被错分类为第3组，第四行表示已知属于第1组的两个数据点被正确分类。confusionmat对待为NaN在分组变量值G2的行和列中不包含该值C。

上的样本进行分类fisheriris数据集并显示所得到的分类的混淆矩阵。

加载费舍尔的虹膜数据集。

加载fisheriris

随机数据测量和团体。

rng (0,“扭腰”);％用于重现numObs =长度(物种);p = randperm (numObs);量=量(p:);物种=物种(p);

通过在数据的前半部分使用的测量训练判别分析分类。

半=地板（numObs / 2）;训练= MEAS（1：半，:);trainingSpecies =物种（1：半）;MDL = fitcdiscr（培训，trainingSpecies）;

通过使用训练过的分类预测数据下半年测量标签。

样本= MEAS（半+ 1：端，:);grouphat =预测（MDL，样品）;

指定组顺序并显示所得到的分类的混淆矩阵。

基团=物种（半+ 1：结束）;[C，为了] = confusionmat（基，grouphat，“秩序”,{'setosa'，“多色的”，“弗吉尼亚”}）

C =3×329 0 0 0 22 2 0 0 22

为了=3 x1细胞{ 'setosa'} { '云芝'} { '锦葵'}

混淆矩阵显示，属于setosa和锦葵测量被正确地分类，而属于两个云芝测量的被误分类为锦葵。输出订单包含该序列中的行数和混淆矩阵的列的上述群阶数中指定的顺序{ 'setosa'， '云芝'， '锦葵'}。

的一个高大的阵列上执行分类fisheriris数据集，通过使用所述计算所述已知和预测的高标签混淆矩阵confusionmat函数，并绘制混淆矩阵使用confusionchart功能。

当您在高大的阵列进行计算，MATLAB®使用使用并行池（默认情况下，如果您有并行计算工具箱™）或本地MATLAB会话。如果你想使用时，你有并行计算工具箱本地MATLAB会话运行示例，您可以通过使用改变全球执行环境mapreducer功能。

加载费舍尔的虹膜数据集。

加载fisheriris

转换在存储器阵列MEAS和物种高大的数组。

TX =高（MEAS）;

开始使用“本地”轮廓平行池（parpool）......连接到并行池（工号：4）。

TY =高（物种）;

在高数组中找到观测的数量。

numObs =收集(长度(ty));％聚集收集高大阵列到存储器

设置随机数生成器使用的种子rng和tallrng为了重复性，随机选取训练样本。结果可能会因worker的数量和tall数组的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(MATLAB)。

RNG（'默认'）tallrng（'默认'）numTrain =地板（numObs / 2）;[txTrain，trIdx] = datasample（TX，numTrain，“替换”，假）;tyTrain = TY（trIdx）;

对训练样本拟合决策树分类器模型。

MDL = fitctree（txTrain，tyTrain）;

评估使用并行池“本地”高表达： - 的2遍1：完成在4.4秒 - 第二遍2：在2.8秒评价完成在9.9秒完成评估使用并行池“本地”高表达： - 第一遍的4：完成在1.9秒 - 通行证2的4：完成在2.3秒 - 通行证3 4的：在4.4秒完成 - 通行证4 4的：4.1秒评价完成在16秒完成评估使用并行池'高表达本地'：4  - 通行证1：在1.3秒完成 - 通行证2 4：在1.7秒完成 - 通行证3 4的：在3秒完成 - 通行证4 4的：在2.6秒评价完成在12秒完成评价高使用并行池“本地”表达： -  4通行证1：在1.1秒完成 - 通行证2 4：在1.9秒完成 -  4通过3：完成在2.7秒 - 通行证4 4的：在2.4秒评价完成在11秒完成评估使用并行池“本地”高表达： -  4通行证1：已完成在1.2秒 - 通行证2 4：在2秒完成 -  P的4屁股3：在3.2秒完成 - 通行证4 4的：在2.8秒评价完成在12秒完成

使用训练过的模型预测测试样本的标签。

txTest = TX（〜trIdx，:);标记=预测（MDL，txTest）;

计算得到的分类的混淆矩阵。

tyTest = TY（〜trIdx）;[C，为了] = confusionmat（tyTest，标签）

C = MxNx……高大的数组?吗?吗?…吗?吗?吗?…吗? ? ? ... : : : : : : order = MxNx... tall array ? ? ? ... ? ? ? ... ? ? ? ... : : : : : :

使用收集函数来执行延迟计算和返回的结果confusionmat在记忆中。

收集(C)

评估使用并行池“本地”高表达： - 的1遍1：在2.2秒评价完成在3.3秒完成

ans =3×320 0 0 1 25 5 0 0 24

收集(顺序)

评估使用并行池“本地”高表达：评价0.041秒完成

ans =3 x1细胞{ 'setosa'} { '云芝'} { '锦葵'}

混淆矩阵显示，三次测量的云芝类会被误判。所有属于setosa和锦葵测量被正确分类。

要计算和绘制混淆矩阵，请使用confusionchart代替。

厘米= confusionchart (tyTest标签)

使用并行池“local”计算tall expression: -通过1 / 1:完成1秒计算完成1.9秒计算tall expression使用并行池“local”:通过1 / 1:完成1.2秒计算完成2秒

厘米= ConfusionMatrixChart与属性：NormalizedValues：[3×3双] ClassLabels：{3×1细胞}显示所有属性