confusion

Матрица беспорядка классификации

Синтаксис

[c,cm,ind,per] = confusion(targets,outputs)

Описание

[c,cm,ind,per] = confusion(targets,outputs) принимает эти значения:

targets

S- Q матрица, где каждый вектор-столбец содержит один 1 значение, со всеми другими элементами 0. Индекс 1 указывает который из S категории, которые представляет вектор.

outputs

S- Q матрица, где каждый столбец содержит значения в области значений [0,1]. Индекс самого большого элемента в столбце указывает который из S категории, которые представляет вектор.

и возвращает эти значения:

c

Значение беспорядка = часть выборок неправильно классифицируется

cm

S- S матрица беспорядка, где cm(i,j) количество выборок, целью которых является iкласс th, который был классифицирован как j

ind

S- S массив ячеек, где ind{i,j} содержит индексы выборок с ith предназначаются для класса, но jвыходной класс th

per

S- 4 матрица, где каждая строка обобщает четыре процента, сопоставленные с iкласс th:

per(i,1) false negative rate
          = (false negatives)/(all output negatives)
per(i,2) false positive rate
          = (false positives)/(all output positives)
per(i,3) true positive rate
          = (true positives)/(all output positives)
per(i,4) true negative rate
          = (true negatives)/(all output negatives)

[c,cm,ind,per] = confusion(TARGETS,OUTPUTS) принимает эти значения:

targets

1- Q вектор из 1/0 значений, представляющих членство

outputs

S- Q матрица, значения в [0,1] интервал, где значения, больше, чем или равный 0.5 укажите на членство в классе

и возвращает эти значения:

c

Значение беспорядка = часть выборок неправильно классифицируется

cm

2- 2 матрица беспорядка

ind

2- 2 массив ячеек, где ind{i,j} содержит индексы выборок, целью которых является 1 по сравнению с 0, и чей выход был больше или был равен 0.5 по сравнению с меньше, чем 0.5

per

2- 4 матрица, где каждый iстрока th представляет процент ложных отрицательных сторон, ложных положительных сторон, истинных положительных сторон и истинных отрицательных сторон для класса и из класса

Примеры

[x,t] = simpleclass_dataset;
net = patternnet(10);
net = train(net,x,t);
y = net(x);
[c,cm,ind,per] = confusion(t,y)

Смотрите также

|

Введенный в R2008a