confusionmat
对于分类问题计算混淆矩阵
句法
描述
例子
显示混淆矩阵
显示有两个错误分类和一个缺失分类的数据的混淆矩阵。
为已知组和预测组创建向量。
G1 = [3 2 2 3 1 1]';%被组g2 = [4 2 3 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指数C是相同的，并且默认按照?的排序顺序排列(g1, g2),也就是说,(1、2、3、4)．
混淆矩阵显示，已知两个数据点是在第1组被正确地分类。对于组2，数据点中的一个被错误分类到组3。此外，已知在组3中的数据点中的一个被错误分类到第4组。confusionmat对待南分组变量中的值G2的行和列中不包含该值C．
通过使用绘制混淆矩阵作为混淆矩阵图confusionchart．
confusionchart (C)
您不需要先计算混淆矩阵，然后绘制它。相反，我们可以直接使用真实和预测的标签来绘制一个混淆矩阵图confusionchart．
厘米= confusionchart (g1, g2)
cm = ConfusionMatrixChart with properties: NormalizedValues: [4x4 double] ClassLabels: [4x1 double]显示所有属性
这ConfusionMatrixChart对象中存储数字混淆矩阵NormalizedValues属性中的类ClassLabels财产。显示使用点符号这些属性。
cm.NormalizedValues
ans =.4×42 0 0 0 0 1 1 0 0 0 0 1 0 0 0 0
厘米。ClassLabels
ans =.4×11 2 3 4
指定混淆矩阵组订单
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。
为已知组和预测组创建向量。
G1 = [3 2 2 3 1 1]';%被组g2 = [4 2 3 NaN 1 1]';％预测组
指定分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指数C是相同的，并按照组顺序指定的顺序排列，即(4、3、2、1)．
混淆矩阵的第二行C显示已知属于组3的一个数据点被错误地划分为组4。第三排C显示，属于组2的数据点中的一个被错误分类到组3，并且第四行显示了已知的两个数据点是在第1组被正确地分类。confusionmat对待南分组变量中的值G2的行和列中不包含该值C．
分类混淆矩阵
上的样本进行分类fisheriris数据集和显示混淆矩阵的结果分类。
载入费雪的虹膜数据集。
加载fisheriris
将测量结果和数据分组随机化。
rng (0,“扭腰”）;%的再现性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。
一半=地板(numObs / 2);培训=量(1:一半,:);trainingSpecies =物种(1:一半);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。
组=物种(5 + 1:结束);[C,顺序]= confusionmat(组、grouphat“秩序”，{“setosa”那“多色的”那“virginica”}）
C =3×329 0 0 0 22 2 0 0 22
订单=3 x1细胞{ 'setosa'} { '云芝'} { '锦葵'}
混淆矩阵表明，属于setosa和virginica的测度被正确分类，而属于versicolor的两个测度被错误分类为virginica。输出命令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'}．
高数组分类的混淆矩阵
对一个高大的数组进行分类fisheriris数据集，计算已知和预测的高标号的混淆矩阵confusionmat函数，并使用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mapreduce功能。
载入费雪的虹膜数据集。
加载fisheriris
转换内存中的数组量和物种高大的阵列。
TX =高（MEAS）;
开始使用“本地”轮廓平行池（parpool）......连接到并行池（工号：6）。
泰=高(物种);
求高阵中观测的次数。
numObs =收集(长度(ty));％聚集收集高大阵列到存储器
使用。设置随机数生成器的种子rng和tallrng为再现性，并随机选取训练样本。结果可能会根据高数组的工作人员数量和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．
rng (“默认”）tallrng（“默认”) numTrain = floor(nummob /2);[txTrain, trIdx] = datasample (tx numTrain,“替换”、假);tyTrain =泰(trIdx);
在训练样本上拟合一个决策树分类器模型。
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
使用训练好的模型预测测试样本的标签。
txt = tx (~ trIdx:);标签=预测(mdl, txt);
计算所得分类的混淆矩阵。
tyTest = TY（〜trIdx）;[C，为了] = 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.
使用收集函数执行延迟计算并返回结果confusionmat在内存中。
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)
评估使用并行池“本地”高表达：评价0.032秒完成
ans =.3×1细胞{ 'setosa'} { '云芝'} { '锦葵'}
混淆矩阵表明，花色类中的三个测量值是错误分类的。所有属于setosa和virginica的测量值都被正确分类。
要计算和绘制混淆矩阵，请使用confusionchart反而。
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
输入参数
输出参数
选择功能
使用
confusionchart计算并绘制混淆矩阵。此外,confusionchart显示关于您的数据汇总统计数据和排序根据类明智精度（阳性预测值），类明智召回（真阳性率），或总数正确分类观测的混淆矩阵的类。
扩展功能
你也可以从以下列表中选择一个网站:
