sortClasses

Сортировка классов матричного графика неточностей

Синтаксис

Описание

пример

sortClasses(cm,order) сортирует классы матричного графика неточностей cm в порядке, заданном order. Можно отсортировать классы в их естественном порядке, по значениям вдоль диагонали матрицы неточностей или в фиксированном порядке, который вы задаете.

Примеры

свернуть все

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);

Figure contains an object of type ConfusionMatrixChart.

Переупорядочьте классы матричного графика неточностей так, чтобы классы находились в фиксированном порядке.

sortClasses(cm, ...
    ["cat" "dog" "horse" "deer" "bird" "frog", ...
    "airplane" "ship" "automobile" "truck"])

Figure contains an object of type ConfusionMatrixChart.

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');

Figure contains an object of type ConfusionMatrixChart.

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';

Figure contains an object of type ConfusionMatrixChart.

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';

Figure contains an object of type ConfusionMatrixChart.

Входные параметры

свернуть все

Путаница матрицы графика, заданная как ConfusionMatrixChart объект. Чтобы создать матричный график неточностей, используйте confusionchart,

Порядок, 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"])

Введенный в R2018b
Для просмотра документации необходимо авторизоваться на сайте