confusion

Матрица беспорядка классификации

свернуть все на странице

Синтаксис

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

Описание

пример

Совет

Чтобы построить график беспорядка для рабочего процесса глубокого обучения, используйте confusionchart функция.

[c,cm,ind,per] = confusion(targets,outputs) берет целевые и выходные матрицы, targets и outputs, и возвращает значение беспорядка, c, матрица беспорядка, cm, массив ячеек, ind, это содержит демонстрационные индексы класса i цели, классифицированные как класс j, и матрица процентов, per, где каждая строка обобщает четыре процента, сопоставленные с i- класс th.

Примеры

свернуть все

В этом примере показано, как сгенерировать матрицу беспорядка simpleclass_dataset набор данных с помощью confusion функция.

Загрузите simpleclass_dataset набор данных. Задайте сеть и затем обучите ее. 

[x,t] = simpleclass_dataset;
net = patternnet(10);
net = train(net,x,t);
y = net(x);
[c,cm,ind,per] = confusion(t,y)
a3 =

     1     2     3     1     2     3
     4     5     6     4     5     6
     7     7     7     8     8     8
     9     9     9    10    10    10

Входные параметры

свернуть все

Матрица целей в виде S- Q матрица, где каждый вектор-столбец содержит один 1 значение, со всеми другими элементами равняются 0. Индекс значения равняется 1 указывает который из S категории, которые представляет вектор.

Матрица выходных параметров в виде 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.

Выходные аргументы

свернуть все

Часть неправильно классифицированных выборок, возвращенных как скаляр.

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

Массив индексов, возвращенных как S- S массив ячеек, где ind{i,j} содержит индексы выборок с i- th предназначаются для класса, но j- выходной класс th.

Матрица процентов, возвращенных как S- 4 матрица, где каждая строка обобщает четыре процента, сопоставленные с i- класс 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)

Смотрите также

|

Введен в R2006a

Документация Deep Learning Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте