Загрузите ирисовый набор данных Фишера.

load fisheriris
X = meas;
Y = species;

X является числовой матрицей, которая содержит четыре лепестковых измерения для 150 ирисовых диафрагм. Y является массивом ячеек из символьных векторов, который содержит соответствующие ирисовые разновидности.

Обучите классификатор соседа k-nearest (KNN), где количество самых близких соседей в предикторах (k) равняется 5. Хорошая практика должна стандартизировать числовые данные о предикторе.

Mdl = fitcknn(X,Y,'NumNeighbors',5,'Standardize',1);

Предскажите метки данных тренировки.

predictedY = resubPredict(Mdl);

Создайте матричный график беспорядка от истины, маркирует Y, и предсказанный маркирует predictedY.

cm = confusionchart(Y,predictedY);

Матрица беспорядка отображает общее количество наблюдений в каждой ячейке. Строки матрицы беспорядка соответствуют истинному классу, и столбцы соответствуют предсказанному классу. Диагональные и недиагональные ячейки соответствуют правильно и неправильно классифицированные наблюдения, соответственно.

По умолчанию confusionchart сортирует классы в их естественный порядок, как задано sort. В этом примере метки класса являются векторами символов, таким образом, confusionchart сортирует классы в алфавитном порядке. Используйте sortClasses, чтобы отсортировать классы по заданному порядку или по матричным значениям беспорядка.

Свойство NormalizedValues содержит значения матрицы беспорядка. Отобразите эти значения с помощью записи через точку.

cm.NormalizedValues

ans = 3×3

    50     0     0
     0    47     3
     0     4    46

Измените внешний вид и поведение матричного графика беспорядка путем изменения значений свойств. Добавьте заголовок.

cm.Title = 'Iris Flower Classification Using KNN';

Добавьте сводные данные строки и столбец.

cm.RowSummary = 'row-normalized';
cm.ColumnSummary = 'column-normalized';

Нормированные строкой сводные данные строки отображают проценты правильно и неправильно классифицированные наблюдения для каждого истинного класса. Нормированные столбцом сводные данные столбца отображают проценты правильно и неправильно классифицированные наблюдения для каждого предсказанного класса.

Создайте матричный график беспорядка и отсортируйте классы графика согласно мудрому классом истинному положительному уровню (отзыв) или мудрому классом положительному прогнозирующему значению (точность).

Загрузите и осмотрите набор данных arrhythmia.

load arrhythmia
isLabels = unique(Y);
nLabels = numel(isLabels)

nLabels = 13

tabulate(categorical(Y))

  Value    Count   Percent
      1      245     54.20%
      2       44      9.73%
      3       15      3.32%
      4       15      3.32%
      5       13      2.88%
      6       25      5.53%
      7        3      0.66%
      8        2      0.44%
      9        9      1.99%
     10       50     11.06%
     14        4      0.88%
     15        5      1.11%
     16       22      4.87%

Данные содержат 16 отличных меток, которые описывают различные степени аритмии, но ответ (Y) включает только 13 отличных меток.

Обучите дерево классификации и предскажите ответ перезамены дерева.

Mdl = fitctree(X,Y);
predictedY = resubPredict(Mdl);

Создайте матричный график беспорядка от истины, маркирует Y, и предсказанный маркирует predictedY. Задайте 'RowSummary' как 'row-normalized', чтобы отобразить истинные положительные уровни и ложные положительные уровни в сводных данных строки. Кроме того, задайте 'ColumnSummary' как 'column-normalized', чтобы отобразить положительные прогнозирующие значения и ложные уровни открытия в сводных данных столбца.

fig = figure;
cm = confusionchart(Y,predictedY,'RowSummary','row-normalized','ColumnSummary','column-normalized');

Измените размер контейнера графика беспорядка, таким образом, проценты появляются в сводных данных строки.

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

Чтобы отсортировать матрицу беспорядка согласно истинному положительному уровню, нормируйте значения ячеек через каждую строку путем установки свойства Normalization на 'row-normalized' и затем используйте sortClasses. После сортировки, сброс свойство Normalization назад к 'absolute', чтобы отобразить общее количество наблюдений в каждой ячейке.

cm.Normalization = 'row-normalized'; 
sortClasses(cm,'descending-diagonal')
cm.Normalization = 'absolute'; 

Чтобы отсортировать матрицу беспорядка согласно положительному прогнозирующему значению, нормируйте значения ячеек через каждый столбец путем установки свойства Normalization на 'column-normalized' и затем используйте sortClasses. После сортировки, сброс свойство Normalization назад к 'absolute', чтобы отобразить общее количество наблюдений в каждой ячейке.

cm.Normalization = 'column-normalized';
sortClasses(cm,'descending-diagonal')
cm.Normalization = 'absolute';  

Выполните классификацию на длинном массиве ирисового набора данных Фишера. Вычислите матричный график беспорядка для известного, и предсказал высокие метки при помощи функции confusionchart.

Когда вы выполняете вычисления на длинных массивах, среда выполнения по умолчанию использует или локальный сеанс работы с MATLAB или локальный параллельный пул (если у вас есть Parallel Computing Toolbox™). Можно использовать функцию mapreducer, чтобы изменить среду выполнения.

Загрузите ирисовый набор данных Фишера.

load fisheriris

Преобразуйте массивы в оперативной памяти meas и species к длинным массивам.

tx = tall(meas);

Starting parallel pool (parpool) using the 'local' profile ...
Connected to the parallel pool (number of workers: 6).

ty = tall(species);

Найдите количество наблюдений в длинном массиве.

numObs = gather(length(ty));   % gather collects tall array into memory

Evaluating tall expression using the Parallel Pool 'local':
Evaluation completed in 0.45 sec

Установите seed генераторов случайных чисел с помощью rng и tallrng для воспроизводимости, и случайным образом выберите учебные выборки. Результаты могут отличаться в зависимости от количества рабочих и среды выполнения для длинных массивов. Для получения дополнительной информации смотрите Управление Где Ваши Выполнения Кода (MATLAB).

rng('default') 
tallrng('default')
numTrain = floor(numObs/2);
[txTrain,trIdx] = datasample(tx,numTrain,'Replace',false);
tyTrain = ty(trIdx); 

Соответствуйте модели классификатора дерева решений на учебных выборках.

mdl = fitctree(txTrain,tyTrain); 

Evaluating tall expression using the Parallel Pool 'local':
Evaluation completed in 1.2 sec
Evaluating tall expression using the Parallel Pool 'local':
Evaluation completed in 1.6 sec
Evaluating tall expression using the Parallel Pool 'local':
Evaluation completed in 0.66 sec
Evaluating tall expression using the Parallel Pool 'local':
Evaluation completed in 0.48 sec
Evaluating tall expression using the Parallel Pool 'local':
Evaluation completed in 0.52 sec

Предскажите метки для тестовых выборок при помощи обученной модели.

txTest = tx(~trIdx,:);
label = predict(mdl,txTest);

Создайте матричный график беспорядка для получившейся классификации.

tyTest = ty(~trIdx);
cm = confusionchart(tyTest,label)

Evaluating tall expression using the Parallel Pool 'local':
Evaluation completed in 0.2 sec
Evaluating tall expression using the Parallel Pool 'local':
Evaluation completed in 1.4 sec

cm = 
  ConfusionMatrixChart with properties:

    NormalizedValues: [3×3 double]
         ClassLabels: {3×1 cell}

  Show all properties

Матричный график беспорядка показывает, что три измерения в versicolor классе неправильно классифицируются как virginica, и одно измерение в virginica классе неправильно классифицируется как versicolor. Все измерения, принадлежащие setosa, классифицируются правильно.