Сортировка классов матричного графика неточностей
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.
load('Cifar10Labels.mat','trueLabels','predictedLabels'); figure cm = confusionchart(trueLabels,predictedLabels);
Переупорядочьте классы матричного графика неточностей так, чтобы классы находились в фиксированном порядке.
sortClasses(cm, ... ["cat" "dog" "horse" "deer" "bird" "frog", ... "airplane" "ship" "automobile" "truck"])
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';
cm
- матрица неточностейConfusionMatrixChart
объектПутаница матрицы графика, заданная как ConfusionMatrixChart
объект. Чтобы создать матричный график неточностей, используйте confusionchart
,
order
- Порядок, в котором можно сортировать классы'auto'
| 'ascending-diagonal'
| 'descending-diagonal'
| массивПорядок, в котором можно отсортировать классы матричного графика неточностей, заданный как одно из следующих значений:
'auto'
- Сортировки классов в их естественный порядок, определяемый sort
функция. Например, если метки классов матричного графика неточностей являются строковым вектором, то сортировка по алфавиту. Если метки классов являются порядковым категориальным вектором, используйте порядок меток классов.
'ascending-diagonal'
- Отсортируйте классы так, чтобы значения по диагонали матрицы неточностей увеличились сверху слева вниз справа.
'descending-diagonal'
- Отсортируйте классы так, чтобы значения по диагонали матрицы неточностей уменьшались сверху слева вниз справа.
'cluster'
(Требуется Statistics and Machine Learning Toolbox™) - Сортировка классов для кластеризации аналогичных классов. Можно настроить кластеризацию при помощи pdist
(Statistics and Machine Learning Toolbox), linkage
(Statistics and Machine Learning Toolbox), и optimalleaforder
(Statistics and Machine Learning Toolbox) функции. Для получения дополнительной информации смотрите Сортировка классов в похожие классы кластера (Statistics and Machine Learning Toolbox).
Массив - Сортировка классов в уникальном порядке, заданном категориальным вектором, числовым вектором, строковым вектором, символьным массивом, массивом ячеек из векторов символов или логическим вектором. Массив должен быть сочетанием ClassLabels
свойство матричного графика неточностей.
Пример: sortClasses(cm,'ascending-diagonal')
Пример: sortClasses(cm,["owl","cat","toad"])
У вас есть измененная версия этого примера. Вы хотите открыть этот пример с вашими правками?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.