载入费雪的虹膜数据集。

负载fisheririsX =量;Y =物种;

X是一个数字矩阵，其中包含150个鸢尾的四个花瓣的测量值。Y是包含相应虹膜种类的字符向量的单元格数组。

训练k-最近邻(KNN)分类器，其中预测器中最近邻的数量(k)是5。一个好的做法是标准化数值预测器数据。

Mdl = fitcknn (X, Y,“NumNeighbors”5,“标准化”1);

预测训练数据的标签。

predictedY = resubPredict (Mdl);

从真实的标签创建一个混淆矩阵图表Y预测的标签predictedY．

厘米= confusionchart (Y, predictedY);

混淆矩阵显示每个单元格中的观察总数。混淆矩阵的行对应真实类，列对应预测类。对角线和非对角线单元格分别对应正确分类和错误分类的观测结果。

默认情况下,confusionchart将类按定义的自然顺序排序排序．在本例中，类标签是字符向量，因此confusionchart按字母顺序对类进行排序。使用sortClasses按指定的顺序或按混淆矩阵值对类进行排序。

的NormalizedValues属性包含混淆矩阵的值。使用点表示法显示这些值。

厘米。NormalizedValues

ans =3×350 0 0 0 47 3 0 4 46

通过改变属性值来修改混淆矩阵图的外观和行为。添加一个标题。

厘米。Title =“利用KNN进行鸢尾花分类”；

添加列和行摘要。

厘米。RowSummary =“row-normalized”；厘米。ColumnSummary =“column-normalized”；

行规范化的行摘要显示每个真实类的正确分类和错误分类观察的百分比。列归一化列摘要显示每个预测类的正确分类和错误分类观察的百分比。

创建一个混淆矩阵图，并根据类明智的真阳性率(召回率)或类明智的阳性预测值(准确率)对图的类进行排序。

加载和检查心律失常数据集。

负载心律失常isLabels =独特(Y);nLabels =元素个数(isLabels)

nLabels = 13

汇总(分类(Y))

数值计数百分比1 245 54.20% 2 44 9.73% 3 15 3.32% 4 15 3.32% 5 13 2.88% 6 25 5.53% 73 0.66% 8 2 0.44% 99 1.99% 10 50 11.06% 14 4 0.88% 15 5 1.11% 16 22 4.87%

数据包含16个不同的标签，描述不同程度的心律失常，但反应(Y)只包含13个不同的标签。

训练一棵分类树，并预测该树的替换响应。

Mdl = fitctree (X, Y);predictedY = resubPredict (Mdl);

从真实的标签创建一个混淆矩阵图表Y预测的标签predictedY．指定“RowSummary”作为“row-normalized”在行摘要中显示真阳性率和假阳性率。同时,指定“ColumnSummary”作为“column-normalized”在列摘要中显示阳性预测值和错误发现率。

无花果=图;厘米= confusionchart (Y, predictedY,“RowSummary”，“row-normalized”，“ColumnSummary”，“column-normalized”）;

调整混淆图表的容器的大小，以便在行摘要中显示百分比。

fig_Position = fig.Position;fig_Position (3) = fig_Position (3) * 1.5;fig.Position = fig_Position;

要根据真阳性率对混淆矩阵进行排序，请通过设置归一化财产“row-normalized”然后使用sortClasses．排序后，重置归一化属性回“绝对”显示每个单元格中的观察总数。

厘米。归一化=“row-normalized”；sortClasses(厘米,“descending-diagonal”)厘米。归一化=“绝对”；

要根据阳性预测值对混淆矩阵进行排序，请通过设置归一化财产“column-normalized”然后使用sortClasses．排序后，重置归一化属性回“绝对”显示每个单元格中的观察总数。

厘米。归一化=“column-normalized”；sortClasses(厘米,“descending-diagonal”)厘米。归一化=“绝对”；

在Fisher虹膜数据集的高数组上执行分类。计算已知和预测的高标签的混淆矩阵图confusionchart函数。

当您在高数组上执行计算时，MATLAB®使用并行池(如果您有并行计算工具箱™则默认)或本地MATLAB会话。若要在拥有“并行计算工具箱”时使用本地MATLAB会话运行示例，请使用mapreduce函数。

mapreduce (0)

载入费雪的虹膜数据集。

负载fisheriris

转换内存中的数组量而且物种高大的数组。

tx =高(量);泰=高(物种);

找出高数组中的观测数。

numObs =收集(长度(ty));将高数组收集到内存中

设置随机数生成器的种子rng而且tallrng为再现性，随机选取训练样本。根据工作人员的数量和tall数组的执行环境，结果可能有所不同。有关详细信息,请参见控制代码运行的位置．

rng (“默认”) tallrng (“默认”) numTrain = floor(numObs/2);[txTrain, trIdx] = datasample (tx numTrain,“替换”、假);tyTrain =泰(trIdx);

在训练样本上拟合决策树分类器模型。

mdl = fitctree (txTrain tyTrain);

评估高表达式使用当地的MATLAB会话:通过1 2:在0.71秒完成,通过2 2:在0.68秒完成评估在2.2秒完成评估高表达式使用本地MATLAB会话:——通过1 4:在0.32秒完成,通过2 4:在0.42秒完成,通过3 4:在0.44秒完成,通过4 4:在0.67秒完成评估在2.3秒完成评估高表达式使用本地MATLAB会话:4 -通过1:完成0.21秒-通过2 4:在0.3秒完成,通过3 4:在0.29秒完成,通过4 4:在0.59秒完成评估在1.8秒完成评估高表达式使用本地MATLAB会话:——通过1 4:在0.16秒完成,通过2 4:在0.21秒完成,通过3 4:在0.26秒完成,通过4 4:在0.45秒完成评估在1.3秒完成评估高表达式使用本地MATLAB会话:4 -通过1:在0.16秒内完成-通过2 / 4:在0.17秒内完成-通过3 / 4:在0.33秒内完成-通过4 / 4:在0.41秒内完成评估

利用训练好的模型预测测试样本的标签。

txt = tx (~ trIdx:);标签=预测(mdl, txt);

为结果分类创建混淆矩阵图表。

tyTest =泰(~ trIdx);厘米= confusionchart (tyTest标签)

使用本地MATLAB会话计算高表达式:通过1(1):在0.074秒内完成，在0.34秒内完成

NormalizedValues: [3x3 double] ClassLabels: {3x1 cell}显示所有属性

混淆矩阵图显示，在彩色类的三个测量是错误分类。所有属于settosa和virginica的测量值都被正确分类。