Загрузите выборку предсказанных и истинных меток для задачи классификации. trueLabels является истинными метками для задачи классификации изображений и predictedLabels - предсказания сверточной нейронной сети.

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

Создайте матричный график неточностей.

figure
cm = confusionchart(trueLabels,predictedLabels);

Измените внешний вид и поведение матричного графика неточностей путем изменения значений свойств. Добавьте сводных данных по столбцам и строкам и заголовок. Нормированная к столбцу сводные данные столбцов отображают количество правильно и неправильно классифицированных наблюдений для каждого предсказанного класса как проценты от количества наблюдений соответствующего предсказанного класса. Нормированная по строке сводные данные строк отображают количество правильно и неправильно классифицированных наблюдений для каждого истинного класса как проценты от количества наблюдений соответствующего истинного класса.

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

Можно использовать confusionchart чтобы создать матричный график неточностей из числовой матрицы неточностей.

Загрузите образец матрицы неточностей m и связанных меток 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 матричный график неточностей из матрицы числовых неточностей и меток классов.

cm = confusionchart(m,classLabels);

Загрузите выборку предсказанных и истинных меток для задачи классификации. trueLabels являются истинными метками для задачи классификации изображений и predictedLabels являются предсказаниями сверточной нейронной сети. Создайте матричный график неточностей с сводными данными по столбцам и строкам

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

Чтобы отсортировать классы матрицы неточностей по классовому отзыву (истинная положительная скорость), нормализуйте значения камер по каждой строке, то есть по количеству наблюдений, которые имеют одинаковый истинный класс. Отсортируйте классы по соответствующим диагональным значениям камер и сбросьте нормализацию значений камер. Классы теперь отсортированы так, что проценты в синих камерах в сводных данных строк справа уменьшаются.

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

Чтобы отсортировать классы по классовой точности (положительное прогнозирующее значение), нормализуйте значения камер по каждому столбцу, то есть по количеству наблюдений, которые имеют одинаковый предсказанный класс. Отсортируйте классы по соответствующим диагональным значениям камер и сбросьте нормализацию значений камер. Классы теперь сортируются так, что процентные доли в синих камерах в сводных данных столбцов внизу уменьшаются.

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