Загрузите набор данных радужки Фишера.

load fisheriris
X = meas;
Y = species;

X - числовая матрица, содержащая четыре измерения лепестка для 150 ирисов. Y - клеточный массив символьных векторов, который содержит соответствующие виды радужки.

Обучить классификатор k-ближайших соседей (KNN), где число ближайших соседей в предикторах (k) равно 5. Хорошей практикой является стандартизация данных числового предиктора.

Mdl = fitcknn(X,Y,'NumNeighbors',5,'Standardize',1);

Спрогнозировать метки данных обучения.

predictedY = resubPredict(Mdl);

Создание матричной диаграммы путаницы из истинных меток Y и прогнозируемые метки predictedY.

cm = confusionchart(Y,predictedY);

Матрица путаницы отображает общее количество наблюдений в каждой ячейке. Строки матрицы путаницы соответствуют истинному классу, а столбцы - прогнозируемому классу. Диагональные и внедиагональные ячейки соответствуют корректно и неправильно классифицированным наблюдениям соответственно.

По умолчанию confusionchart сортирует классы в их естественный порядок, как определено sort. В этом примере метки класса являются символьными векторами, поэтому confusionchart сортировка классов по алфавиту. Использовать sortClasses для сортировки классов по заданному порядку или по значениям матрицы путаницы.

NormalizedValues содержит значения матрицы путаницы. Отображение этих значений с помощью точечной нотации.

cm.NormalizedValues

ans = 3×3

    50     0     0
     0    47     3
     0     4    46

Изменение внешнего вида и поведения матричной диаграммы путаницы путем изменения значений свойств. Добавьте заголовок.

cm.Title = 'Iris Flower Classification Using KNN';

Добавление сводок по столбцам и строкам.

cm.RowSummary = 'row-normalized';
cm.ColumnSummary = 'column-normalized';

Сводка строк, нормированная по строкам, отображает проценты корректно и неправильно классифицированных наблюдений для каждого истинного класса. Сводка столбцов, нормированная по столбцам, отображает проценты корректно и неправильно классифицированных наблюдений для каждого прогнозируемого класса.

Создайте матричную диаграмму путаницы и сортируйте классы диаграммы в соответствии с классовой истинной положительной скоростью (отзыв) или классовой положительной прогностической величиной (точность).

Загрузить и осмотреть 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 различных меток, которые описывают различные степени аритмии, но ответ (Y) включает только 13 отдельных меток.

Обучить дерево классификации и предсказать отклик на повторное замещение дерева.

Mdl = fitctree(X,Y);
predictedY = resubPredict(Mdl);

Создание матричной диаграммы путаницы из истинных меток Y и прогнозируемые метки predictedY. Определить 'RowSummary' как 'row-normalized' для отображения истинных положительных ставок и ложных положительных ставок в сводке строк. Также укажите 'ColumnSummary' как 'column-normalized' для отображения положительных прогностических значений и ложных показателей обнаружения в сводке столбцов.

fig = figure;
cm = confusionchart(Y,predictedY,'RowSummary','row-normalized','ColumnSummary','column-normalized');

Измените размер контейнера таблицы путаницы, чтобы проценты отображались в сводке строк.

fig_Position = fig.Position;
fig_Position(3) = fig_Position(3)*1.5;
fig.Position = fig_Position;

Чтобы отсортировать матрицу путаницы в соответствии с истинной положительной скоростью, нормализуйте значения ячеек в каждой строке, установив значение Normalization свойство для 'row-normalized' а затем использовать sortClasses. После сортировки сбросьте Normalization свойство возвращается к 'absolute' для отображения общего количества наблюдений в каждой ячейке.

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

Чтобы отсортировать матрицу путаницы по положительному прогностическому значению, нормализуйте значения ячеек в каждом столбце, установив значение Normalization свойство для 'column-normalized' а затем использовать sortClasses. После сортировки сбросьте Normalization свойство возвращается к 'absolute' для отображения общего количества наблюдений в каждой ячейке.

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

Выполните классификацию для высокого массива набора данных радужки Фишера. Вычислите матричную диаграмму путаницы для известных и прогнозируемых высоких меток с помощью confusionchart функция.

При выполнении вычислений в массивах TALL MATLAB ® использует либо параллельный пул (по умолчанию при наличии Toolbox™ Parallel Computing), либо локальный сеанс MATLAB. Для выполнения примера с использованием локального сеанса MATLAB при наличии панели инструментов Parallel Computing Toolbox измените глобальную среду выполнения с помощью mapreducer функция.

mapreducer(0)

Загрузите набор данных радужки Фишера.

load fisheriris

Преобразование массивов в памяти meas и species в массивы с высоким уровнем.

tx = tall(meas);
ty = tall(species);

Найдите количество наблюдений в массиве с высоким уровнем.

numObs = gather(length(ty));   % gather collects tall array into memory

Установка начальных значений генераторов случайных чисел с помощью rng и tallrng для воспроизводимости и случайного выбора обучающих образцов. Результаты могут варьироваться в зависимости от количества работников и среды выполнения для массивов tall. Дополнительные сведения см. в разделе Управление местом запуска кода.

rng('default') 
tallrng('default')
numTrain = floor(numObs/2);
[txTrain,trIdx] = datasample(tx,numTrain,'Replace',false);
tyTrain = ty(trIdx); 

Поместите модель классификатора дерева решений в учебные образцы.

mdl = fitctree(txTrain,tyTrain); 

Evaluating tall expression using the Local MATLAB Session:
- Pass 1 of 2: Completed in 0.87 sec
- Pass 2 of 2: Completed in 0.99 sec
Evaluation completed in 3.3 sec
Evaluating tall expression using the Local MATLAB Session:
- Pass 1 of 4: Completed in 0.46 sec
- Pass 2 of 4: Completed in 0.58 sec
- Pass 3 of 4: Completed in 0.71 sec
- Pass 4 of 4: Completed in 1.2 sec
Evaluation completed in 3.5 sec
Evaluating tall expression using the Local MATLAB Session:
- Pass 1 of 4: Completed in 0.28 sec
- Pass 2 of 4: Completed in 0.31 sec
- Pass 3 of 4: Completed in 0.36 sec
- Pass 4 of 4: Completed in 0.37 sec
Evaluation completed in 1.7 sec
Evaluating tall expression using the Local MATLAB Session:
- Pass 1 of 4: Completed in 0.19 sec
- Pass 2 of 4: Completed in 0.22 sec
- Pass 3 of 4: Completed in 0.24 sec
- Pass 4 of 4: Completed in 0.22 sec
Evaluation completed in 1.2 sec
Evaluating tall expression using the Local MATLAB Session:
- Pass 1 of 4: Completed in 0.22 sec
- Pass 2 of 4: Completed in 0.21 sec
- Pass 3 of 4: Completed in 0.41 sec
- Pass 4 of 4: Completed in 0.23 sec
Evaluation completed in 1.3 sec

Прогнозирование меток для тестовых образцов с использованием обученной модели.

txTest = tx(~trIdx,:);
label = predict(mdl,txTest);

Создайте матричную диаграмму путаницы для результирующей классификации.

tyTest = ty(~trIdx);
cm = confusionchart(tyTest,label)

Evaluating tall expression using the Local MATLAB Session:
- Pass 1 of 1: Completed in 0.16 sec
Evaluation completed in 0.53 sec
Evaluating tall expression using the Local MATLAB Session:
- Pass 1 of 1: Completed in 0.21 sec
Evaluation completed in 0.35 sec

cm = 
  ConfusionMatrixChart with properties:

    NormalizedValues: [3x3 double]
         ClassLabels: {3x1 cell}

  Show all properties

Таблица матрицы путаницы показывает, что три измерения в классе versicolor имеют неправильную классификацию. Все измерения, относящиеся к setosa и virginica, классифицированы правильно.