Сортировка классов матричного графика неточностей
Создайте матричный график неточностей и отсортируйте классы графика согласно классовой истинной положительной скорости (recall) или классовой положительной прогнозирующему значению (precision).
Загрузите и осмотрите arrhythmia набор данных.
load arrhythmia
isLabels = unique(Y);
nLabels = numel(isLabels)nLabels = 13
tabulate(categorical(Y))
Value Count Percent
1 245 54.20%
2 44 9.73%
3 15 3.32%
4 15 3.32%
5 13 2.88%
6 25 5.53%
7 3 0.66%
8 2 0.44%
9 9 1.99%
10 50 11.06%
14 4 0.88%
15 5 1.11%
16 22 4.87%
Данные содержат 16 различных меток, которые описывают различные степени аритмии, но ответ (Y) включает только 13 отдельных меток.
Обучите классификационное дерево и предсказайте ответ реституции дерева.
Mdl = fitctree(X,Y); predictedY = resubPredict(Mdl);
Создайте матричный график неточностей из истинных меток Y и предсказанные метки predictedY. Задайте 'RowSummary' как 'row-normalized' отображение истинных положительных частот и ложных положительных частот в сводных данных строк. Кроме того, задайте 'ColumnSummary' как 'column-normalized' отображение положительных прогностических значений и частот ложного обнаружения в сводных данных столбцов.
fig = figure; cm = confusionchart(Y,predictedY,'RowSummary','row-normalized','ColumnSummary','column-normalized');
Измените размер контейнера графика неточностей, так что проценты появятся в сводных данных строк.
fig_Position = fig.Position; fig_Position(3) = fig_Position(3)*1.5; fig.Position = fig_Position;
Чтобы отсортировать матрицу неточностей согласно истинной положительной скорости, нормализуйте значения камер по каждой строке, установив Normalization свойство к 'row-normalized' а затем используйте sortClasses. После сортировки сбросьте Normalization свойство назад в 'absolute' отображение общего количества наблюдений в каждой камере.
cm.Normalization = 'row-normalized'; sortClasses(cm,'descending-diagonal') cm.Normalization = 'absolute';
Чтобы отсортировать матрицу неточностей согласно положительному прогнозирующему значению, нормализуйте значения камер по каждому столбцу, установив Normalization свойство к 'column-normalized' а затем используйте sortClasses. После сортировки сбросьте Normalization свойство назад в 'absolute' отображение общего количества наблюдений в каждой камере.
cm.Normalization = 'column-normalized'; sortClasses(cm,'descending-diagonal') cm.Normalization = 'absolute';
Создайте матричный график неточностей при помощи confusionchart function, и сортировать классы для кластеризации аналогичных классов с помощью 'cluster' опция sortClasses функция. Этот пример также показывает, как кластеризировать с помощью pdist, linkage, и optimalleaforder функций.
Сгенерируйте набор выборочных данных, который содержит восемь различных классов.
rng('default') % For reproducibility trueLabels = randi(8,1000,1); predictedLabels = trueLabels;
Вставьте путаницу между классами {1,4,7}, {2,8} и {5,6} для первых 200 выборок.
rename = [4 8 3 7 6 5 1 2]; predictedLabels(1:100) = rename(predictedLabels(1:100)); rename = [7 8 3 1 6 5 4 2]; predictedLabels(101:200) = rename(predictedLabels(101:200));
Создайте матричный график неточностей из истинных меток trueLabels и предсказанные метки predictedLabels.
figure cm1 = confusionchart(trueLabels,predictedLabels);
Кластер с использованием 'cluster'
Сортировка классов для кластеризации аналогичных классов с помощью 'cluster' опция.
sortClasses(cm1,'cluster')
Кластер с использованием pdist, linkage, и optimalleaforder
Вместо использования 'cluster' опция, вы можете использовать pdist, linkage, и optimalleaforder функции в кластерные значения матрицы неточностей. Кластеризацию можно настроить с помощью опций этих функций. Для получения дополнительной информации см. соответствующие страницы с описанием функций.
Предположим, у вас есть матрица неточностей и метки классов.
m = confusionmat(trueLabels,predictedLabels); labels = [1 2 3 4 5 6 7 8];
Вычислите кластеризованную матрицу и найдите соответствующие метки классов при помощи pdist, linkage, и optimalleaforder. The pdist функция вычисляет Евклидово расстояние D между парами значений матрицы неточностей. The optimalleaforder функция возвращает оптимальное упорядоченное расположение листов для иерархического двоичного дерева кластеров linkage(D) использование D расстояния.
D = pdist(m); idx = optimalleaforder(linkage(D),D); clusteredM = m(idx,idx); clusteredLabels = labels(idx);
Создайте матричный график неточностей, используя кластеризованную матрицу и соответствующие метки классов. Затем отсортируйте классы с помощью меток классов.
cm2 = confusionchart(clusteredM,clusteredLabels); sortClasses(cm2,clusteredLabels)
Отсортированный матричный график неточностей cm2, который вы создали при помощи pdist, linkage, и optimalleaforder, идентичен отсортированному матричному графику неточностей cm1, который вы создали при помощи 'cluster' опция.
Создайте матричный график неточностей и отсортируйте классы графика в фиксированном порядке.
Загрузите набор данных радужки Фишера.
load fisheriris
X = meas([51:150,1:50],:);
Y = species([51:150,1:50],:);X является числовой матрицей, которая содержит четыре измерения лепестков для 150 ирисов. Y - массив ячеек из векторов символов, который содержит соответствующие виды радужной оболочки.
Обучите классификатор k-ближайших соседей (KNN), где количество ближайших соседей в предикторах (k) составляет 5. Хорошей практикой является стандартизация данных числового предиктора.
Mdl = fitcknn(X,Y,'NumNeighbors',5,'Standardize',1);
Спрогнозируйте метки обучающих данных.
predictedY = resubPredict(Mdl);
Создайте матричный график неточностей из истинных меток Y и предсказанные метки predictedY.
cm = confusionchart(Y,predictedY);
По умолчанию confusionchart сортирует классы в их естественный порядок, как определяется sort. В этом примере метки классов являются векторами символов, так что confusionchart сортирует классы в алфавитном порядке. Переупорядочить классы матричного графика неточностей в фиксированном порядке.
sortClasses(cm,["versicolor","setosa","virginica"])
