Отобразите матрицу беспорядка для данных с двумя misclassifications и одной недостающей классификацией.

Создайте векторы для известных групп и предсказанных групп.

g1 = [3 2 2 3 1 1]';	% Known groups
g2 = [4 2 3 NaN 1 1]';	% Predicted groups

Возвратите матрицу беспорядка.

C = confusionmat(g1,g2)

C = 4×4

     2     0     0     0
     0     1     1     0
     0     0     0     1
     0     0     0     0

Индексы строк и столбцов матрицы беспорядка C идентичен и располагается по умолчанию в отсортированном порядке [g1;g2], то есть, (1,2,3,4).

Матрица беспорядка показывает, что эти две точки данных, которые, как известно, были в группе 1, классифицируются правильно. Для группы 2 одна из точек данных неправильно классифицируется в группу 3. Кроме того, одна из точек данных, которые, как известно, были в группе 3, неправильно классифицируется в группу 4. confusionmat обрабатывает значение NaN в группирующей переменной g2 как отсутствующее значение и не включает его в строки и столбцы C.

Постройте матрицу беспорядка как матричный график беспорядка при помощи confusionchart.

confusionchart(C);

Вы не должны вычислять матрицу беспорядка сначала и затем строить ее. Вместо этого постройте матричный график беспорядка непосредственно от истинных и предсказанных меток при помощи confusionchart.

cm = confusionchart(g1,g2)

cm = 
  ConfusionMatrixChart with properties:

    NormalizedValues: [4x4 double]
         ClassLabels: [4x1 double]

  Show all properties

Объектно-ориентированная память ConfusionMatrixChart числовая матрица беспорядка в свойстве NormalizedValues и классы в свойстве ClassLabels. Отобразите эти свойства с помощью записи через точку.

cm.NormalizedValues

ans = 4×4

     2     0     0     0
     0     1     1     0
     0     0     0     1
     0     0     0     0

cm.ClassLabels

ans = 4×1

     1
     2
     3
     4

Отобразите матрицу беспорядка для данных с двумя misclassifications и одной недостающей классификацией, и задайте порядок группы.

Создайте векторы для известных групп и предсказанных групп.

g1 = [3 2 2 3 1 1]';	% Known groups
g2 = [4 2 3 NaN 1 1]';	% Predicted groups

Укажите, что группа заказывает и возвращает матрицу беспорядка.

C = confusionmat(g1,g2,'Order',[4 3 2 1])

C = 4×4

     0     0     0     0
     1     0     0     0
     0     1     1     0
     0     0     0     2

Индексы строк и столбцов матрицы беспорядка C идентичен и располагается в порядке, заданном порядком группы, то есть, (4,3,2,1).

Вторая строка матрицы беспорядка, C показывает, что одна из точек данных, которые, как известно, были в группе 3, неправильно классифицируется в группу 4. Третья строка C показывает, что одна из точек данных, принадлежащих группе 2, неправильно классифицируется в группу 3, и четвертая строка показывает, что эти две точки данных, которые, как известно, были в группе 1, классифицируются правильно. confusionmat обрабатывает значение NaN в группирующей переменной g2 как отсутствующее значение и не включает его в строки и столбцы C.

Выполните классификацию на выборке набора данных fisheriris и отобразите матрицу беспорядка для получившейся классификации.

Загрузите ирисовый набор данных Фишера.

load fisheriris

Рандомизируйте измерения и группы в данных.

rng(0,'twister'); % For reproducibility
numObs = length(species);
p = randperm(numObs);
meas = meas(p,:);
species = species(p);

Обучите классификатор дискриминантного анализа при помощи измерений в первой половине данных.

half = floor(numObs/2);
training = meas(1:half,:);
trainingSpecies = species(1:half);
Mdl = fitcdiscr(training,trainingSpecies);

Предскажите метки для измерений во второй половине данных при помощи обученного классификатора.

sample = meas(half+1:end,:);
grouphat = predict(Mdl,sample);

Укажите, что группа заказывает и отображает матрицу беспорядка для получившейся классификации.

group = species(half+1:end);
[C,order] = confusionmat(group,grouphat,'Order',{'setosa','versicolor','virginica'})

C = 3×3

    29     0     0
     0    22     2
     0     0    22

order = 3x1 cell array
    {'setosa'    }
    {'versicolor'}
    {'virginica' }

Матрица беспорядка показывает, что измерения, принадлежащие setosa и virginica, классифицируются правильно, в то время как два из измерений, принадлежащих versicolor, неправильно классифицируются как virginica. Вывод order содержит порядок строк и столбцов матрицы беспорядка в последовательности, заданной группой order {'setosa','versicolor','virginica'}.

Выполните классификацию на длинном массиве набора данных fisheriris, вычислите матрицу беспорядка для известного, и предсказал высокие метки при помощи функции confusionmat, и постройте матрицу беспорядка 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 0.065 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 0.19 sec
Evaluating tall expression using the Parallel Pool 'local':
Evaluation completed in 0.51 sec
Evaluating tall expression using the Parallel Pool 'local':
Evaluation completed in 0.46 sec
Evaluating tall expression using the Parallel Pool 'local':
Evaluation completed in 0.44 sec
Evaluating tall expression using the Parallel Pool 'local':
Evaluation completed in 0.43 sec

Предскажите метки для тестовых выборок при помощи обученной модели.

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

Вычислите матрицу беспорядка для получившейся классификации.

tyTest = ty(~trIdx);
[C,order] = confusionmat(tyTest,label)

C =

  3×3 tall double matrix

    23     0     0
     0    23     3
     0     1    25


order =

  3×1 tall cell array

    {'setosa'    }
    {'versicolor'}
    {'virginica' }

Матрица 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.

Чтобы вычислить и построить матрицу беспорядка, используйте confusionchart вместо этого.

cm = confusionchart(tyTest,label)

Evaluating tall expression using the Parallel Pool 'local':
Evaluation completed in 0.11 sec
Evaluating tall expression using the Parallel Pool 'local':
Evaluation completed in 0.1 sec

cm = 
  ConfusionMatrixChart with properties:

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

  Show all properties