Описание
[c,cm,ind,per] = confusion(targets,outputs)
принимает эти значения:
targets | S -by-Q матрица, где каждый вектор-столбец содержит одно значение 1 со всеми другими элементами 0 . Индекс 1 указывает, какая из категорий S , которые представляет вектор.
|
outputs | S -by-Q матрица, где каждый столбец содержит значения в области значений [0,1] . Индекс самого большого элемента в столбце указывает, какая из категорий S , которые представляет вектор.
|
и возвращает эти значения:
c | Значение беспорядка = часть выборок неправильно классифицируется |
cm | S -by-S матрица беспорядка, где cm(i,j) является количеством выборок, целью которых является i th класс, который был классифицирован как j
|
ind | S -by-S массив ячеек, где ind{i,j} содержит индексы выборок с i th целевой класс, но j th выходной класс
|
per | S -by-4 матрица, где каждая строка обобщает четыре процента, сопоставленные с i th класс:
per(i,1) false negative rate
= (false negatives)/(all output negatives)
per(i,2) false positive rate
= (false positives)/(all output positives)
per(i,3) true positive rate
= (true positives)/(all output positives)
per(i,4) true negative rate
= (true negatives)/(all output negatives) |
[c,cm,ind,per] = confusion(TARGETS,OUTPUTS)
принимает эти значения:
targets | 1 -by-Q вектор 1/0 значений, представляющих членство
|
outputs | S -by-Q матрица, значения в интервале [0,1] , где значения, больше, чем или равный 0.5 , указывают на членство в классе
|
и возвращает эти значения:
c | Значение беспорядка = часть выборок неправильно классифицируется |
cm | 2 -by-2 матрица беспорядка
|
ind | 2 -by-2 массив ячеек, где ind{i,j} содержит индексы выборок, целью которых является 1 по сравнению с 0 , и чей вывод был больше, чем или равным 0.5 по сравнению с меньше, чем 0.5
|
per | 2 -by-4 матрица, где каждый i th строка представляет процент ложных отрицательных сторон, ложных положительных сторон, истинных положительных сторон и истинных отрицательных сторон для класса и из класса
|
[x,t] = simpleclass_dataset;
net = patternnet(10);
net = train(net,x,t);
y = net(x);
[c,cm,ind,per] = confusion(t,y)