Вычислите матрицу беспорядка для проблемы классификации
C = confusionmat(group,grouphat,'Order',grouporder)grouporder заказать строки и столбцы C.
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 идентичны и располагаются 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 NaN значение в сгруппированной 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
ConfusionMatrixChart объектно-ориентированная память числовая матрица беспорядка в NormalizedValues свойство и классы в ClassLabels свойство. 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 идентичны и располагаются 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 NaN значение в сгруппированной переменной g2 как отсутствующее значение и не включает его в строки и столбцы C.
Выполните классификацию на выборке fisheriris набор данных и отображение матрица беспорядка для получившейся классификации.
Загрузите ирисовый набор данных Фишера.
load fisheririsРандомизируйте 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. Выход order содержит порядок строк и столбцов матрицы беспорядка в последовательности, заданной группой order {'setosa','versicolor','virginica'}.
Выполните классификацию на длинном массиве fisheriris набор данных, вычислите матрицу беспорядка для известного, и предсказал высокие метки при помощи confusionmat функция и график матрица беспорядка 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 fisheririsПреобразуйте 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 memoryEvaluating tall expression using the Parallel Pool 'local': Evaluation completed in 0.43 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 2.8 sec - Pass 2 of 2: Completed in 2.5 sec Evaluation completed in 8.4 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 4: Completed in 1.7 sec - Pass 2 of 4: Completed in 2.5 sec - Pass 3 of 4: Completed in 6.7 sec - Pass 4 of 4: Completed in 5.9 sec Evaluation completed in 20 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 4: Completed in 0.98 sec - Pass 2 of 4: Completed in 2.7 sec - Pass 3 of 4: Completed in 7 sec - Pass 4 of 4: Completed in 4 sec Evaluation completed in 17 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 4: Completed in 0.8 sec - Pass 2 of 4: Completed in 2 sec - Pass 3 of 4: Completed in 4.8 sec - Pass 4 of 4: Completed in 3.8 sec Evaluation completed in 14 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 4: Completed in 0.76 sec - Pass 2 of 4: Completed in 1.6 sec - Pass 3 of 4: Completed in 5.6 sec - Pass 4 of 4: Completed in 4.6 sec Evaluation completed in 15 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 =
MxNx... tall array
? ? ? ...
? ? ? ...
? ? ? ...
: : :
: : :
order =
MxNx... tall array
? ? ? ...
? ? ? ...
? ? ? ...
: : :
: : :
Используйте gather функция, чтобы выполнить задержанное вычисление и возвратить результат confusionmat в памяти.
gather(C)
Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 1: Completed in 2.3 sec Evaluation completed in 3.4 sec
ans = 3×3
25 0 0
1 24 3
0 0 22
gather(order)
Evaluating tall expression using the Parallel Pool 'local': Evaluation completed in 0.048 sec
ans = 3x1 cell array
{'setosa' }
{'versicolor'}
{'virginica' }
Матрица беспорядка показывает, что три измерения в versicolor классе неправильно классифицируются. Все измерения, принадлежащие setosa и virginica, классифицируются правильно.
Чтобы вычислить и построить матрицу беспорядка, используйте confusionchart вместо этого.
cm = confusionchart(tyTest,label)
Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 1: Completed in 0.76 sec Evaluation completed in 1.7 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 1: Completed in 0.95 sec Evaluation completed in 1.9 sec
cm =
ConfusionMatrixChart with properties:
NormalizedValues: [3x3 double]
ClassLabels: {3x1 cell}
Show all properties
Используйте confusionchart вычислить и построить матрицу беспорядка. Кроме того, confusionchart статистика сводных данных отображений о ваших данных и видах классы матрицы беспорядка согласно мудрой классом точности (положительное прогнозирующее значение), мудрый классом отзыв (истинный положительный уровень), или общее количество правильно классифицированных наблюдений.