confusion

Матрица неточностей классификации

Свернуть все на странице

Синтаксис

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

Описание

пример

Совет

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

[c,cm,ind,per] = confusion(targets,outputs) принимает целевые и выходные матрицы, targets и outputs, и возвращает значение неточности, c, матрица неточностей, cm, массив ячеек, ind, который содержит выборочные индексы классов i цели, классифицированные как j классови матрица процентов, per, где каждая строка суммирует четыре процента, сопоставленных со i-й класс.

Примеры

свернуть все

Этот пример показывает, как сгенерировать матрицу неточностей simpleclass_dataset набора данных с использованием confusion функция.

Загрузите simpleclass_dataset набор данных. Определите 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, заданная как S-by- Q матрица, где каждый вектор-столбец содержит одну 1 значение со всеми остальными элементами, равными 0. Индекс значения, равного 1 указывает, какой из S категории, которые представляет вектор.

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

Выходные аргументы

свернуть все

Доля неправильно классифицированных выборок, возвращенная в виде скаляра.

Матрица неточностей, возвращенная как S-by- S матрица неточностей, где cm(i,j) количество выборок, цель которых является i-й класс, который был классифицирован как j.

Массив индексов, возвращенный как S-by- S массив ячеек, где ind{i,j} содержит индексы выборок с i-й целевой класс, но j-й выходной класс.

Матрица процентов, возвращенная как S-by- 4 матрица, где каждая строка суммирует четыре процента, сопоставленных со i-й класс:

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)

См. также

|

Введенный в R2006a

Документация по Deep Learning Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте