装载Fisher的Iris数据集。

加载渔民x = meas;y =物种;

X是一个数字矩阵，其包含150个虹膜的四个花瓣测量。y是包含相应的IRIS物种的字符向量的单元阵列。

火车A.K.- 最终（knn）分类器，预测器中最近邻居的数量（K.）是5.良好做法是标准化数字预测数据。

mdl = fitcknn（x，y，'numneighbors'，5，'标准化'，1）;

预测培训数据的标签。

预测= ResubPredict（MDL）;

从真品创建混淆矩阵图表y和预测的标签预测。

cm = ConfusionChart（Y，预测）;

混淆矩阵显示每个单元中的观察总数。混淆矩阵的行对应于真实类，列对应于预测类。对角线和非对角线单元分别对应于正确和错误的分类观察。

默认，困惑的园林将课程分类为其自然顺序定义分类。在此示例中，类标签是字符向量，因此困惑的园林按字母顺序排列类。采用sortclasses.按指定的顺序或混淆矩阵值对类进行排序。

该标准化值属性包含混淆矩阵的值。使用点表示法显示这些值。

CM.NORMALIZEVALUES.

ans =.3×350 0 0 0 47 3 0 4 46

通过更改属性值来修改混淆矩阵图的外观和行为。添加标题。

cm.title ='使用KNN的虹膜花分类;

添加列和行摘要。

cm.rowsummary ='行标准化';cm.columnsummary ='列 - 归一化';

行标准化的行摘要显示每个真实类的正确和错误分类的分类百分比。列归一化列摘要显示每个预测类的正确和错误分类的分类百分比。

创建混淆矩阵图表并根据类别的真实阳性率（召回）或类明智的阳性预测值（精度）对图表的类进行排序。

加载并检查心律失常数据集。

加载心律失常islabels =独特（Y）;nlabels = numel（islabels）

nlabels = 13.

Tabulate（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％

数据包含16个描述各种心律失常的不同标签，但响应（y）仅包括13个不同的标签。

培训分类树并预测树的重新置答反应。

mdl = fitctree（x，y）;预测= ResubPredict（MDL）;

从真品创建混淆矩阵图表y和预测的标签预测。指定'rowsmumary'如'行标准化'显示行摘要中的真正阳性率和假阳性率。另外，指定'placeSummary'如'列 - 归一化'显示列摘要中的肯定预测值和假发现速率。

图=图;cm = confusionchart（y，predigey，'rowsmumary'那'行标准化'那'placeSummary'那'列 - 归一化'）;

调整混淆图表的容器大小，因此百分比显示在行摘要中。

fig_position = fig.position;fig_position（3）= fig_position（3）* 1.5;fig.position = fig_position;

要根据真正的阳性速率对混淆矩阵进行排序，通过设置逐行对每行的单元格值进行正常化正常化财产'行标准化'然后使用sortclasses.。排序后，重置正常化物业返回'绝对'显示每个单元中的观察总数。

cm.normalization =.'行标准化';SortClasses（cm，'下降 - 对角线'）cm.normalization =.'绝对';

根据阳下预测值对混淆矩阵进行排序，通过设置每个列跨越小区值正常化财产'列 - 归一化'然后使用sortclasses.。排序后，重置正常化物业返回'绝对'显示每个单元中的观察总数。

cm.normalization =.'列 - 归一化';SortClasses（cm，'下降 - 对角线'）cm.normalization =.'绝对';

在Fisher Iris数据集的高级阵列上执行分类。通过使用该数据来计算已知和预测的高标签的混淆矩阵图表困惑的园林功能。

当您对高阵列执行计算时，Matlab®使用并行池（如果您有并行计算工具箱™）或本地MATLAB会话，则使用并行池（默认值）。如果要使用“本地MATLAB会话”会话有并行计算工具箱运行示例，则可以使用“使用本地计算”工具箱更改全局执行环境Mapreducer.功能。

装载Fisher的Iris数据集。

加载渔民

转换内存阵列测定和种类到高大的阵列。

tx =高（Meas）;

使用“本地”配置文件...连接到并行池（工人数：4）开始并行池（Parpool）。

ty =高（物种）;

找到高阵列中的观察数。

numobs =聚集（长度（ty））;％收集将高大的数组收集到内存中

使用随机数发生器的种子使用RNG.和塔罗尔尔为了再现性，随机选择培训样本。结果可以根据工人数量和高大阵列的执行环境而有所不同。有关详细信息，请参阅控制代码运行的位置（matlab）。

RNG（'默认'）Tallrng（'默认'）numtrain =楼层（numobs / 2）;[txtrain，tridx] = datasample（tx，numtrain，'更换'，假）;tytrain = ty（tridx）;

适合培训样本的决策树分类器模型。

mdl = fitcree（txtrain，tytrain）;

使用并行池“本地”评估高表达： -  PASS 1的2：4.2 SEC  -  PASS 2中的2：2.4秒评估完成于11秒的评估，使用并行池“本地”评估高表达式： -  PASS 14：在1.7秒内完成 - 通过4的第2条：2秒内完成 - 第3条 - 通行证3：3.5秒 - 通过4项，共4分：在2.9秒评估中完成，在13秒评估使用并行池评估高表情的评估。当地： - 通过4：在0.78秒内完成 - 通过第4条：第4条：在1.8秒内完成 - 通过4：在2.9秒内完成的3个 - 通过4，共4分：2.1秒评估，在9.6秒的评价中完成，评估高表达式使用并行池“本地”： - 通过4个：1/4：在1.2秒内完成 - 通过4的第2条：在1.9秒内完成 - 通过4个：3.3秒内完成 - 通过4项，共4分，共4分：22秒评估在12秒内完成使用并行池“本地”评估高表达： - 通过4的第1条：完成在1.1秒 - 通过4的第2条：在1.7秒内完成- 第3条第3条：在3.1秒内完成 - 通过4项，共4个：在2.9秒评估中完成，在12秒内完成

通过使用培训的模型预测测试样本的标签。

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

为生成的分类创建混淆矩阵图表。

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

使用并行池“本地”评估高表达： - 通过1：在0.67秒的评估中完成，在1.3秒内完成使用并行池“本地”评估高表达： - 通过1：在2秒评估中完成的第1条：完成3.1秒

CM = ConfusionMatrixChart具有属性：归一化Values：[3x3 Double]类标签：{3x1 Cell}显示所有属性

困惑矩阵图表显示versicolor类中的三个测量被错误分类。属于Setosa和Virginica的所有测量都被正确分类。