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';  

Создайте матричный график беспорядка при помощи функции confusionchart и отсортируйте классы, чтобы кластеризировать подобные классы при помощи опции 'cluster' функции sortClasses. Этот пример также показывает, как кластеризироваться при помощи pdist, linkage и функций optimalleaforder.

Сгенерируйте набор выборочных данных, который содержит восемь отличных классов.

rng('default') % For reproducibility
trueLabels = randi(8,1000,1);
predictedLabels = trueLabels;

Вставьте беспорядок среди классов {1,4,7}, {2,8}, и {5,6} для первых 200 выборок.

rename = [4 8 3 7 6 5 1 2];
predictedLabels(1:100) = rename(predictedLabels(1:100));
rename = [7 8 3 1 6 5 4 2];
predictedLabels(101:200) = rename(predictedLabels(101:200));

Создайте матричный график беспорядка от истины, маркирует trueLabels, и предсказанный маркирует predictedLabels.

figure
cm1 = confusionchart(trueLabels,predictedLabels);

sortClasses(cm1,'cluster')

m = confusionmat(trueLabels,predictedLabels);
labels = [1 2 3 4 5 6 7 8];

D = pdist(m);
idx = optimalleaforder(linkage(D),D);
clusteredM = m(idx,idx);
clusteredLabels = labels(idx);

cm2 = confusionchart(clusteredM,clusteredLabels);
sortClasses(cm2,clusteredLabels)

Создайте матричный график беспорядка и отсортируйте классы графика в фиксированном порядке.

Загрузите ирисовый набор данных Фишера.

load fisheriris
X = meas([51:150,1:50],:);
Y = species([51:150,1:50],:);

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);

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. Переупорядочьте классы матричного графика беспорядка в фиксированном порядке.

sortClasses(cm,["versicolor","setosa","virginica"])