Загрузите образец прогнозируемых и истинных меток для проблемы классификации. trueLabels является истинными метками для проблемы классификации изображений и predictedLabels - предсказания сверточной нейронной сети.

load('Cifar10Labels.mat','trueLabels','predictedLabels');

Создайте матричную диаграмму путаницы.

figure
cm = confusionchart(trueLabels,predictedLabels);

Изменение внешнего вида и поведения матричной диаграммы путаницы путем изменения значений свойств. Добавьте сводки по столбцам и строкам и заголовок. Сводка столбцов, нормированная по столбцам, отображает количество правильно и неправильно классифицированных наблюдений для каждого прогнозируемого класса в процентах от числа наблюдений соответствующего прогнозируемого класса. Нормализованная по строке сводка строк отображает количество правильно и неправильно классифицированных наблюдений для каждого истинного класса в процентах от числа наблюдений соответствующего истинного класса.

cm.ColumnSummary = 'column-normalized';
cm.RowSummary = 'row-normalized';
cm.Title = 'CIFAR-10 Confusion Matrix';

Вы можете использовать confusionchart для создания таблицы путаницы из цифровой матрицы путаницы.

Загрузить образец матрицы путаницы m и связанные метки классов classLabels.

load('Cifar10ConfusionMat.mat','m','classLabels');
m

m = 10×10

   923     4    21     8     4     1     5     5    23     6
     5   972     2     0     0     0     0     1     5    15
    26     2   892    30    13     8    17     5     4     3
    12     4    32   826    24    48    30    12     5     7
     5     1    28    24   898    13    14    14     2     1
     7     2    28   111    18   801    13    17     0     3
     5     0    16    27     3     4   943     1     1     0
     9     1    14    13    22    17     3   915     2     4
    37    10     4     4     0     1     2     1   931    10
    20    39     3     3     0     0     2     1     9   923

classLabels

classLabels = 10x1 categorical
     airplane 
     automobile 
     bird 
     cat 
     deer 
     dog 
     frog 
     horse 
     ship 
     truck 

Создайте матрицу путаницы из числовой матрицы путаницы и меток классов.

cm = confusionchart(m,classLabels);

Загрузите образец прогнозируемых и истинных меток для проблемы классификации. trueLabels являются истинными метками для проблемы классификации изображений и predictedLabels являются предсказаниями сверточной нейронной сети. Создание матричной диаграммы путаницы с суммами столбцов и строк

load('Cifar10Labels.mat','trueLabels','predictedLabels');
figure
cm = confusionchart(trueLabels,predictedLabels, ...
    'ColumnSummary','column-normalized', ...
    'RowSummary','row-normalized');

Чтобы отсортировать классы матрицы путаницы по отзыву класса (истинно положительная скорость), нормализуйте значения ячеек в каждой строке, то есть по количеству наблюдений, имеющих одинаковый истинный класс. Отсортируйте классы по соответствующим диагональным значениям ячеек и сбросьте нормализацию значений ячеек. Классы теперь отсортированы таким образом, что проценты в синих ячейках в сводках строк справа уменьшаются.

cm.Normalization = 'row-normalized';
sortClasses(cm,'descending-diagonal');
cm.Normalization = 'absolute';

Чтобы отсортировать классы по точности класса (положительному прогностическому значению), нормализуйте значения ячеек в каждом столбце, то есть по количеству наблюдений, имеющих один и тот же прогнозируемый класс. Отсортируйте классы по соответствующим диагональным значениям ячеек и сбросьте нормализацию значений ячеек. Классы теперь отсортированы таким образом, что проценты в синих ячейках в сводках столбцов внизу уменьшаются.

cm.Normalization = 'column-normalized';
sortClasses(cm,'descending-diagonal');
cm.Normalization = 'absolute';