Вычислить матрицу путаницы для задачи классификации
C = confusionmat(group,grouphat,'Order',grouporder)grouporder для упорядочения строк и столбцов C.
Отображение матрицы путаницы для данных с двумя ошибочными классификациями и одной отсутствующей классификацией.
Создайте векторы для известных и прогнозируемых групп.
g1 = [3 2 2 3 1 1]'; % Known groups g2 = [4 2 3 NaN 1 1]'; % Predicted groups
Верните матрицу путаницы.
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 путаницы C идентичны и расположены по умолчанию в отсортированном порядке [g1;g2], то есть (1,2,3,4).
Матрица путаницы показывает, что две точки данных, известные как находящиеся в группе 1, классифицированы правильно. Для группы 2 одна из точек данных неправильно классифицируется в группу 3. Кроме того, одна из точек данных, как известно, находится в группе 3, неправильно классифицируется в группу 4. confusionmat обрабатывает NaN значение в переменной группировки g2 как отсутствующее значение и не включает его в строки и столбцы C.
Постройте график матрицы путаницы в виде таблицы матрицы путаницы с помощью confusionchart.
confusionchart(C)
Сначала не нужно вычислять матрицу путаницы, а затем выводить ее на график. Вместо этого постройте график матрицы путаницы непосредственно из истинных и прогнозируемых меток с помощью confusionchart.
cm = confusionchart(g1,g2)
cm =
ConfusionMatrixChart with properties:
NormalizedValues: [4x4 double]
ClassLabels: [4x1 double]
Show all properties
ConfusionMatrixChart объект сохраняет числовую матрицу путаницы в NormalizedValues и классы в ClassLabels собственность. Отображение этих свойств с помощью точечной нотации.
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
Просмотрите матрицу путаницы для данных с двумя ошибочными классификациями и одной отсутствующей классификацией и укажите порядок групп.
Создайте векторы для известных и прогнозируемых групп.
g1 = [3 2 2 3 1 1]'; % Known groups g2 = [4 2 3 NaN 1 1]'; % Predicted groups
Укажите порядок групп и верните матрицу путаницы.
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 путаницы C идентичны и расположены в порядке, указанном групповым порядком, то есть (4,3,2,1).
Вторая строка матрицы путаницы C показывает, что одна из точек данных, как известно, находится в группе 3, неправильно классифицирована в группе 4. Третий ряд C показывает, что одна из точек данных, принадлежащих группе 2, неправильно классифицирована в группу 3, а четвертая строка показывает, что две точки данных, известные как находящиеся в группе 1, классифицированы правильно. confusionmat обрабатывает NaN значение в переменной группировки g2 как отсутствующее значение и не включает его в строки и столбцы C.
Выполнить классификацию по образцу fisheriris набор данных и отображение матрицы путаницы для результирующей классификации.
Загрузите набор данных радужки Фишера.
load fisheririsРандомизировать измерения и группы в данных.
rng(0,'twister'); % For reproducibility numObs = length(species); p = randperm(numObs); meas = meas(p,:); species = species(p);
Обучение классификатора дискриминантного анализа с помощью измерений в первой половине данных.
half = floor(numObs/2); training = meas(1:half,:); trainingSpecies = species(1:half); Mdl = fitcdiscr(training,trainingSpecies);
Прогнозирование меток для измерений во второй половине данных с использованием обученного классификатора.
sample = meas(half+1:end,:); grouphat = predict(Mdl,sample);
Укажите порядок групп и просмотрите матрицу путаницы для результирующей 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
{'setosa' }
{'versicolor'}
{'virginica' }
Матрица путаницы показывает, что измерения, принадлежащие setosa и virginica, классифицированы правильно, в то время как два измерения, принадлежащие versicolor, неправильно классифицированы как virginica. Продукция order содержит порядок строк и столбцов матрицы путаницы в последовательности, заданной порядком группы {'setosa','versicolor','virginica'}.
Выполните классификацию для массива с высоким уровнем fisheriris набор данных, вычислить матрицу путаницы для известных и прогнозируемых высоких меток с помощью confusionmat и постройте график матрицы путаницы 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. Если требуется выполнить пример с использованием локального сеанса MATLAB при наличии панели инструментов Parallel Computing Toolbox, можно изменить глобальную среду выполнения с помощью mapreducer функция.
Загрузите набор данных радужки Фишера.
load fisheririsПреобразование массивов в памяти meas и species в массивы с высоким уровнем.
tx = tall(meas);
Starting parallel pool (parpool) using the 'local' profile ... Connected to the parallel pool (number of workers: 6).
ty = tall(species);
Найдите количество наблюдений в массиве с высоким уровнем.
numObs = gather(length(ty)); % gather collects tall array into memoryУстановка 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 Parallel Pool 'local': - Pass 1 of 2: Completed in 3.9 sec - Pass 2 of 2: Completed in 1.5 sec Evaluation completed in 7.3 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 4: Completed in 0.88 sec - Pass 2 of 4: Completed in 1.6 sec - Pass 3 of 4: Completed in 4 sec - Pass 4 of 4: Completed in 2.7 sec Evaluation completed in 11 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 4: Completed in 0.54 sec - Pass 2 of 4: Completed in 1.2 sec - Pass 3 of 4: Completed in 3 sec - Pass 4 of 4: Completed in 2 sec Evaluation completed in 7.6 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 4: Completed in 0.51 sec - Pass 2 of 4: Completed in 1.3 sec - Pass 3 of 4: Completed in 3.1 sec - Pass 4 of 4: Completed in 2.5 sec Evaluation completed in 8.5 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 4: Completed in 0.42 sec - Pass 2 of 4: Completed in 1.2 sec - Pass 3 of 4: Completed in 3 sec - Pass 4 of 4: Completed in 2.1 sec Evaluation completed in 7.6 sec
Прогнозирование меток для тестовых образцов с использованием обученной модели.
txTest = tx(~trIdx,:); label = predict(mdl,txTest);
Вычислите матрицу путаницы для результирующей классификации.
tyTest = ty(~trIdx); [C,order] = confusionmat(tyTest,label)
C =
M×N×... tall array
? ? ? ...
? ? ? ...
? ? ? ...
: : :
: : :
Preview deferred. Learn more.
order =
M×N×... tall array
? ? ? ...
? ? ? ...
? ? ? ...
: : :
: : :
Preview deferred. Learn more.
Используйте gather для выполнения отложенного расчета и возврата результата confusionmat в памяти.
gather(C)
Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 1: Completed in 1.9 sec Evaluation completed in 2.3 sec
ans = 3×3
20 0 0
1 30 2
0 0 22
gather(order)
Evaluating tall expression using the Parallel Pool 'local': Evaluation completed in 0.032 sec
ans = 3×1 cell
{'setosa' }
{'versicolor'}
{'virginica' }
Матрица путаницы показывает, что три измерения в классе versicolor неправильно классифицированы. Все измерения, относящиеся к setosa и virginica, классифицированы правильно.
Для вычисления и построения графика матрицы путаницы используйте confusionchart вместо этого.
cm = confusionchart(tyTest,label)
Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 1: Completed in 0.34 sec Evaluation completed in 0.6 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 1: Completed in 0.48 sec Evaluation completed in 0.67 sec
cm =
ConfusionMatrixChart with properties:
NormalizedValues: [3×3 double]
ClassLabels: {3×1 cell}
Show all properties
Использовать confusionchart для вычисления и построения графика матрицы путаницы. Дополнительно, confusionchart отображает сводную статистику данных и сортирует классы матрицы путаницы в соответствии с точностью по классу (положительное прогностическое значение), отзывом по классу (истинная положительная частота) или общим количеством правильно классифицированных наблюдений.