Создайте матричный график беспорядка для проблемы классификации
создает матричный график беспорядка от истины, маркирует cm
= confusionchart(trueLabels
,predictedLabels
)trueLabels
и предсказанный маркирует predictedLabels
и возвращает ConfusionMatrixChart
объект. Строки матрицы беспорядка соответствуют истинному классу, и столбцы соответствуют предсказанному классу. Диагональные и недиагональные ячейки соответствуют правильно и неправильно классифицированные наблюдения, соответственно. Используйте cm
изменить матричный график беспорядка после того, как это создается. Для списка свойств смотрите ConfusionMatrixChart Properties.
создает матричный график беспорядка из числовой матрицы беспорядка cm
= confusionchart(m
)m
. Используйте этот синтаксис, если у вас уже есть числовая матрица беспорядка в рабочей области.
задает метки класса, которые появляются вдоль оси X и оси Y. Используйте этот синтаксис, если у вас уже есть числовая матрица беспорядка и метки класса в рабочей области.cm
= confusionchart(m
,classLabels
)
создает график беспорядка в фигуре, панели или вкладке, заданной cm
= confusionchart(parent
,___)parent
.
задает дополнительный cm
= confusionchart(___,Name,Value
)ConfusionMatrixChart
свойства с помощью одного или нескольких аргументов пары "имя-значение". Задайте свойства после всех других входных параметров. Для списка свойств смотрите ConfusionMatrixChart Properties.
Загрузите ирисовый набор данных Фишера.
load fisheriris
X = meas;
Y = species;
X
числовая матрица, которая содержит четыре лепестковых измерения для 150 ирисовых диафрагм. Y
массив ячеек из символьных векторов, который содержит соответствующие ирисовые разновидности.
Обучите классификатор k - ближайших соседей (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 обучающих данных.
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
отсортировать классы по заданному порядку или по матричным значениям беспорядка.
NormalizedValues
свойство 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 смотрите arrhythmia
набор данных.
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'
отобразить истинные положительные уровни и ложные положительные уровни в сводных данных строки. Кроме того, задайте 'ColumnSummary'
как 'column-normalized'
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 Normalization
свойство к 'row-normalized'
и затем используйте sortClasses
. После сортировки, сброс Normalization
свойство назад к 'absolute'
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 Normalization
свойство к 'column-normalized'
и затем используйте sortClasses
. После сортировки, сброс Normalization
свойство назад к 'absolute'
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 confusionchart
функция.
Когда вы выполняете вычисления на длинных массивах, MATLAB® использует любого параллельный пул (значение по умолчанию, если у вас есть Parallel Computing Toolbox™), или локальный сеанс работы с MATLAB. Если вы хотите запустить пример с помощью локального сеанса работы с MATLAB, когда у вас есть Parallel Computing Toolbox, можно изменить глобальную среду выполнения при помощи mapreducer
функция.
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: 12).
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 0.53 sec
Установите seed генераторов случайных чисел с помощью rng
и tallrng
для воспроизводимости и случайным образом избранных учебных выборок. Результаты могут варьироваться в зависимости от количества рабочих и среды выполнения для длинных массивов. Для получения дополнительной информации смотрите Управление Где Ваши Запуски Кода (MATLAB).
rng('default') tallrng('default') numTrain = floor(numObs/2); [txTrain,trIdx] = datasample(tx,numTrain,'Replace',false); tyTrain = ty(trIdx);
Подбирайте модель классификатора дерева решений на учебных выборках.
mdl = fitctree(txTrain,tyTrain);
Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 2: Completed in 3.3 sec - Pass 2 of 2: Completed in 2.2 sec Evaluation completed in 8.9 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 4: Completed in 1.4 sec - Pass 2 of 4: Completed in 3.1 sec - Pass 3 of 4: Completed in 7 sec - Pass 4 of 4: Completed in 5.4 sec Evaluation completed in 20 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 4: Completed in 0.82 sec - Pass 2 of 4: Completed in 1.9 sec - Pass 3 of 4: Completed in 7 sec - Pass 4 of 4: Completed in 4.3 sec Evaluation completed in 17 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 4: Completed in 0.87 sec - Pass 2 of 4: Completed in 1.8 sec - Pass 3 of 4: Completed in 5.8 sec - Pass 4 of 4: Completed in 4.4 sec Evaluation completed in 15 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 4: Completed in 0.93 sec - Pass 2 of 4: Completed in 2.5 sec - Pass 3 of 4: Completed in 6.6 sec - Pass 4 of 4: Completed in 5.4 sec Evaluation completed in 18 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': - Pass 1 of 1: Completed in 1 sec Evaluation completed in 2.3 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 1: Completed in 2.6 sec Evaluation completed in 3.8 sec
cm = ConfusionMatrixChart with properties: NormalizedValues: [3x3 double] ClassLabels: {3x1 cell} Show all properties
Матричный график беспорядка показывает, что три измерения в versicolor классе неправильно классифицируются. Все измерения, принадлежащие setosa и virginica, классифицируются правильно.
trueLabels
— Истинные метки проблемы классификацииИстинные метки проблемы классификации, заданной как категориальный вектор, числовой вектор, представляют в виде строки вектор, символьный массив, массив ячеек из символьных векторов или логический вектор. Если trueLabels
вектор, затем каждый элемент соответствует одному наблюдению. Если trueLabels
символьный массив, затем это должно быть двумерно с каждой строкой, соответствующей метке одного наблюдения.
predictedLabels
— Предсказанные метки проблемы классификацииПредсказанные метки проблемы классификации, заданной как категориальный вектор, числовой вектор, представляют в виде строки вектор, символьный массив, массив ячеек из символьных векторов или логический вектор. Если predictedLabels
вектор, затем каждый элемент соответствует одному наблюдению. Если predictedLabels
символьный массив, затем это должно быть двумерно с каждой строкой, соответствующей метке одного наблюдения.
m
— Матрица беспорядкаМатрица беспорядка, заданная как матрица. m
должно быть квадратным, и его элементы должны быть положительными целыми числами. Элемент m(i,j)
число раз наблюдение за i
th истинный класс был предсказан, чтобы быть j
класс th. Каждая цветная ячейка матричного графика беспорядка соответствует одному элементу матрицы беспорядка m
.
classLabels
— Метки классаМетки класса матричного графика беспорядка, заданного как категориальный вектор, числовой вектор, представляют в виде строки вектор, символьный массив, массив ячеек из символьных векторов или логический вектор. Если classLabels
вектор, затем он должен иметь то же число элементов, как матрица беспорядка имеет строки и столбцы. Если classLabels
символьный массив, затем это должно быть двумерно с каждой строкой, соответствующей метке одного класса.
parent
— Родительский контейнерFigure
возразите | Panel
возразите | Tab
объектРодительский контейнер, в котором можно построить, заданный как Figure
Панель
, или Tab
объект.
Задайте дополнительные разделенные запятой пары Name,Value
аргументы. Name
имя аргумента и Value
соответствующее значение. Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN
.
cm = confusionchart(trueLabels,predictedLabels,'Title','My Title Text','ColumnSummary','column-normalized')
Перечисленные здесь свойства являются только подмножеством. Для полного списка смотрите ConfusionMatrixChart Properties.
'Title'
заголовок''
(значение по умолчанию) | вектор символов | представляет скаляр в виде строкиЗаголовок матричного графика беспорядка, заданного как вектор символов или скаляр строки.
Пример: cm = confusionchart(__,'Title','My Title Text')
Пример: cm.Title = 'My Title Text'
'ColumnSummary'
— Сводные данные столбца'off'
(значение по умолчанию) | 'absolute'
| 'column-normalized'
| 'total-normalized'
Сводные данные столбца матричного графика беспорядка, заданного как одно из следующего:
Опция | Описание |
---|---|
'off' | Не отображайте сводные данные столбца. |
'absolute' | Отобразите общее количество правильно и неправильно классифицированные наблюдения для каждого предсказанного класса. |
'column-normalized' | Отобразите количество правильно и неправильно классифицированные наблюдения для каждого предсказанного класса как проценты количества наблюдений за соответствующим предсказанным классом. Проценты правильно классифицированных наблюдений могут считаться мудрой классом точностью (или положительные прогнозирующие значения). |
'total-normalized' | Отобразите количество правильно и неправильно классифицированные наблюдения для каждого предсказанного класса как проценты общего количества наблюдений. |
Пример: cm = confusionchart(__,'ColumnSummary','column-normalized')
Пример: cm.ColumnSummary = 'column-normalized'
'RowSummary'
— Сводные данные строки'off'
(значение по умолчанию) | 'absolute'
| 'row-normalized'
| 'total-normalized'
Сводные данные строки матричного графика беспорядка, заданного как одно из следующего:
Опция | Описание |
---|---|
'off' | Не отображайте сводные данные строки. |
'absolute' | Отобразите общее количество правильно и неправильно классифицированные наблюдения для каждого истинного класса. |
'row-normalized' | Отобразите количество правильно и неправильно классифицированные наблюдения для каждого истинного класса как проценты количества наблюдений за соответствующим истинным классом. Проценты правильно классифицированных наблюдений могут считаться мудрыми классом отзывами (или истинные положительные уровни). |
'total-normalized' | Отобразите количество правильно и неправильно классифицированные наблюдения для каждого истинного класса как проценты общего количества наблюдений. |
Пример: cm = confusionchart(__,'RowSummary','row-normalized')
Пример: cm.RowSummary = 'row-normalized'
'Normalization'
— Нормализация значений ячеек'absolute'
(значение по умолчанию) | 'column-normalized'
| 'row-normalized'
| 'total-normalized'
Нормализация значений ячеек, заданных как одно из следующего:
Опция | Описание |
---|---|
'absolute' | Отобразите общее количество наблюдений в каждой ячейке. |
'column-normalized' | Нормируйте каждое значение ячейки количеством наблюдений, которое имеет тот же предсказанный класс. |
'row-normalized' | Нормируйте каждое значение ячейки количеством наблюдений, которое имеет тот же истинный класс. |
'total-normalized' | Нормируйте каждое значение ячейки общим количеством наблюдений. |
Изменение нормализации значений ячеек также влияет на цвета ячеек.
Пример: cm = confusionchart(__,'Normalization','total-normalized')
Пример: cm.Normalization = 'total-normalized'
Эта функция полностью поддерживает "высокие" массивы. Для получения дополнительной информации смотрите Длинные массивы (MATLAB).
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.