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 = meas;y =物种;

Xは，150本のアヤメについて4つの花弁の测定が含まれている数码行。Yは，対応対応するアヤメののが含まれて文字ベクトルのののののののののの配列配列配列配列配列

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)；

学习データのラベルを予测ますます。

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。

cm = ConfusionChart（Y，预测）;

混同行列では，観测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，列は予测クラスに対応します。対角线上のセルは正しく分类された観测値に，対角线外のセルは误っててさた観测値に対応ししし

既定では,困惑的园林は种类このによって例で然并べ替え并べ替えな例では并べ替えなこの定义ではははな定义がはははなななな定义がささ字字な困惑的园林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プロパティにはのがドット表记をてて，混同表记をてて，これらの値て。

厘米。NormalizedValues

ans =3×350 0 0 0 47 3 0 4 46

プロパティ混同列チャートし，混同行列チャートのとを変更します。

cm.title ='使用KNN的虹膜花分类；

列列行の要约ををしします。

厘米。RowSummary ='行标准化'；cm.columnsummary =“column-normalized”；

行正式による要はは，真のクラスのについて，正交分子さた観测値误ってのがれ観测ののが表示さます列规による列要约れ。分别

混同行列チャート作物作物成し，クラス単位の真阳性（再现率）またはクラス単位のyan性予测値（精选）に従っててのクラスをますますますます并べ替え并べ替えます并べ替え并べ替え并べ替え

心律失常データセットを読み込み検证ますます。

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％513 2.88％6 25 5.53％7 3 0.66％8 2 0.44％9 9 1.90％10 50 11.06％14 0.88％11.06％14 0.88％15 5 1.11％16 22 4.87％

不要整脉のな段阶表す16个の异なるラベルがデータに含まていますが，応答（Y）には13个の异なるラベルが含まれています。

分享到木せ，木の再代入をしますますます。

mdl = fitctree（x，y）;predictedY = resubPredict (Mdl);

真のラベルYと予測ラベルpredictedYから混同行为チャート作物作物成作作作作作者。真阳性率と伪艳性率行要约约表示するため'rowsmumary'として'行标准化'また，阳性の予测値伪発率を列要约にする“ColumnSummary”として“column-normalized”を指定します。

无花果=图;厘米= confusionchart (Y, predictedY,'rowsmumary'，'行标准化'，“ColumnSummary”，“column-normalized”)；

。

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

真阳性率に従って混同行列をためため，归一化プロパティを'行标准化'にに设定することことにより各各セルの値をををてしてててsortClasses并べ替え使后ます。并べ替えた后で，観测値の総ををセルに表示ため，归一化プロパティを“绝对”にリセットします。

厘米。归一化='行标准化'；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并べ替え使后ます。并べ替えた后で，観测値の総ををセルに表示ため，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”；

フィッシャーフィッシャーのアヤメののデータセットのののに対して分享を行しし。关键词困惑的园林をを用して，既知既知高大ラベル予测た高大ラベルに対する行列チャート计算します。

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Mapreducer.をを用してグローバルグローバル実环境を変更します。

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

インメモリ配列测定および物种を高配列に変換します。

tx =高(量);泰=高(物种);

高大配列内のの観测値の个を求め求め

numobs =聚集（长度（ty））;% gather将高数组收集到内存中

再现性を得るためにRNG.と塔罗尔尔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。高大の場合、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 =楼层（numobs / 2）;[txtrain，tridx] = datasample（tx，numtrain，'代替'，错误的）;tytrain = ty（tridx）;

决定决定分类器モデルを学习标本にます。

mdl = fitctree (txTrain tyTrain);

评估高表达式使用当地的MATLAB会话:通过1 2:在1.1秒完成,通过2 2:在0.67秒完成评估在2.6秒完成评估高表达式使用本地MATLAB会话:——通过1 4:在0.46秒完成,通过2 4:在0.63秒完成,通过3 4:在0.56秒完成,通过4 4:使用本地MATLAB会话评估高表达式:通过4次测试的第1次:在0.33秒完成-通过4次测试的第2次:在0.41秒完成-通过4次测试的第3次:在0.28秒完成-通过4次测试的第4次:使用本地MATLAB会话计算高表达式:通过4次测试的第1次:在0.29秒内完成-通过4次测试的第2次:在0.36秒内完成-通过4次测试的第3次:在0.4秒内完成-通过4次测试的第4次:在0.41秒完成评估在1.9秒完成评估高表达式使用本地MATLAB会话:——通过1 4:在0.28秒完成,通过2 4:在0.2秒完成,通过3 4:在0.55秒完成,通过4 4:在0.47秒完成评价在2秒完成

学习习済みモデルを使て，検定标本のラベル予测します。

txtest = tx（〜tridx，:);标签=预测（MDL，TXTEST）;

生成されたた混同行列チャートを作物成品

tytest = ty（〜tridx）;cm = confusionchart（tytest，label）

使用本地Matlab会话评估高表达： - 通过0.21秒评估中的第1条：0.41秒的评估，使用当地MATLAB会议评估高表达： -  PASS 1：0.37秒评估完成0.59秒

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，versicolorクラスの测定値の3つが误分类されたをています.setsaおよびvirginicaに属して测定は，すべて正式分享さてていいいいいますいますいますいいいます。