2つの誤分類と1つの欠損分類が含まれているデータについて混同行列を表示します。

既知のグループと予測されたグループについてベクトルを作成します。

G1 = [3 2 2 3 1 1]';%被组g2 = [4 2 3 NaN 1 1]';%预测组

混同行列を取得します。

C = confusionmat (g1, g2)

C =4×42 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 0 0 0 0 1 0 0 0 0

混同行列Cの行と列のインデックスは同一であり,既定では(g1, g2)の並べ替え順序で編成されます。つまり,(1、2、3、4)になります。

この混同行列は,グループ1に属することがわかっている2つのデータ点が正しく分類されたことを示しています。グループ2については,1つのデータ点がグループ3として誤分類されています。また,グループ3に属することがわかっているデータ点の1つがグループ4として誤分類されています。confusionmatは,グループ化変数g2内の南値を欠損値として処理し,Cの行と列には含めません。

confusionchartを使用して,混同行列を混同行列チャートとしてプロットします。

confusionchart (C)

プロットする前に混同行列を計算する必要はありません。代わりに,confusionchartを使用して,真のラベルと予測ラベルから混同行列チャートを直接プロットします。

厘米= confusionchart (g1, g2)

cm = ConfusionMatrixChart with properties: NormalizedValues: [4x4 double] ClassLabels: [4x1 double]显示所有属性

ConfusionMatrixChartオブジェクトでは,数値混同行列がNormalizedValuesプロパティに,クラスがClassLabelsプロパティに格納されます。ドット表記を使用して,これらのプロパティを表示します。

厘米。NormalizedValues

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

厘米。ClassLabels

ans =4×11 2 3 4

2つの誤分類と1つの欠損分類が含まれているデータについて混同行列を表示し,グループの順序を指定します。

既知のグループと予測されたグループについてベクトルを作成します。

G1 = [3 2 2 3 1 1]';%被组g2 = [4 2 3 NaN 1 1]';%预测组

グループの順序を指定し,混同行列を取得します。

C = confusionmat (g1, g2,“秩序”，[4 3 2 1])

C =4×40 0 0 0 1 1 0 0 0 1 1 1 0 0 0 0 2 2

混同行列Cの行と列のインデックスは同じであり,グループの順序で指定された順序で編成されます。つまり,(4、3、2、1)になります。

混同行列Cの2行目は,グループ3に属することがわかっているデータ点の1つがグループ4として誤分類されたことを示しています。Cの3行目は,グループ2に属しているデータ点の1つがグループ3として誤分類されたことを示し,4行目は,グループ1に属することがわかっている2つのデータ点が正しく分類されたことを示しています。confusionmatは,グループ化変数g2内の南値を欠損値として処理し,Cの行と列には含めません。

fisheririsデータセットの標本に対して分類を実行し,生成された結果について混同行列を表示します。

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

データ内の測定値とグループをランダム化します。

rng (0,“旋风”)；%的再现性numObs =长度(物种);p = randperm (numObs);量=量(p:);物种=物种(p);

データの最初の半分に含まれている測定値を使用して,判別分析分類器に学習をさせます。

一半=地板(numObs / 2);培训=量(1:一半,:);trainingSpecies =物种(1:一半);Mdl = fitcdiscr(培训、trainingSpecies);

学習済みの分類器を使用して,データの後半部分の測定値についてラベルを予測します。

示例=量(5 + 1:最终,);grouphat =预测(Mdl、样本);

グループの順序を指定し,生成された分類について混同行列を表示します。

组=物种(5 + 1:结束);[C,顺序]= confusionmat(组、grouphat“秩序”，{“setosa”，“多色的”，“virginica”}）

C =3×329 0 0 22 2 0 0 22

订单=3 x1细胞{'setosa'} {'versicolor'} {'virginica'}

この混同行列は,setosaおよびvirginicaに属している測定値が正しく分類され,杂色的に属している測定値の2つがvirginicaとして誤分類されたことを示しています。出力订单には,グループ順序{“setosa”、“癣”、“virginica '}で指定された順序で混同行列の行と列の順序が格納されます。

fisheririsデータセットの高配列に対して分類を実行し,関数confusionmatを使用して既知および予測高ラベルについて混同行列を計算し,関数confusionchartを使用して混同行列をプロットします。

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でもローカルの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できます。

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

インメモリ配列量および物种を高配列に変換します。

tx =高(量);

使用“local”配置文件启动并行池(parpool)…连接到并行池(工作人员数量:6)。

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);

评估高表达式使用并行池“当地”:——通过1 2:在3.9秒完成,通过2 2:在1.5秒完成评估在7.3秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.88秒完成,通过2 4:在1.6秒完成,通过3 4:在4秒完成,通过4 4:在2.7秒完成评估在11秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.54秒完成,通过2 4:在1.2秒完成,通过3 4:完成在3秒-通过4 4:在2秒完成评估在7.6秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.51秒完成,通过2 4:在1.3秒完成,通过3 4:在3.1秒完成,通过4 4:在2.5秒完成评估在8.5秒完成评估高表达式使用并行池“当地”:——通过1 4:在0.42秒完成,通过2 4:在1.2秒完成,通过3 4:3秒内完成-通过4道中的第4道:2.1秒内完成评估7.6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を計算します。

tyTest =泰(~ trIdx);[C,顺序]= confusionmat (tyTest、标签)

C = M×N×……高大的数组?？？．．．？？？．．．？ ? ? ... : : : : : : Preview deferred. Learn more. order = M×N×... tall array ? ? ? ... ? ? ? ... ? ? ? ... : : : : : : Preview deferred. Learn more.

関数收集を使用して遅延計算を実行し,confusionmatの結果をメモリに返します。

收集(C)

使用Parallel Pool 'local'计算tall表达式

ans =3×320 0 0 1 30 20 0 22

收集(顺序)

使用Parallel Pool 'local'计算tall表达式:计算在0.032秒内完成

ans =3×1细胞{'setosa'} {'versicolor'} {'virginica'}

この混同行列は,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。

混同行列の計算とプロットを行うため,代わりにconfusionchartを使用します。

厘米= confusionchart (tyTest标签)

using the Parallel Pool 'local': - Pass 1 of 1: Completed in 0.34 sec Evaluation in 0.6 sec using the Parallel Pool 'local': - Pass 1 of 1: Completed in 0.48 sec Evaluation in 0.67 sec

cm = ConfusionMatrixChart with properties: NormalizedValues: [3×3 double] ClassLabels: {3×1 cell}显示所有属性