confusionmat
分類問題の混同行列の計算
構文
説明
例
2 つの誤分類と 1 つの欠損分類が含まれているデータについて混同行列を表示します。
既知のグループと予測されたグループについてベクトルを作成します。
g1 = [3 2 2 3 1 1]'; % Known groups g2 = [4 2 3 NaN 1 1]'; % Predicted groups
混同行列を取得します。
C = confusionmat(g1,g2)
C = 4×4
2 0 0 0
0 1 1 0
0 0 0 1
0 0 0 0
混同行列 C の行と列のインデックスは同一であり、既定では [g1;g2] の並べ替え順序で編成されます。つまり、(1,2,3,4) になります。
この混同行列は、グループ 1 に属することがわかっている 2 つのデータ点が正しく分類されたことを示しています。グループ 2 については、1 つのデータ点がグループ 3 として誤分類されています。また、グループ 3 に属することがわかっているデータ点の 1 つがグループ 4 として誤分類されています。confusionmat は、グループ化変数 g2 内の NaN 値を欠損値として処理し、C の行と列には含めません。
confusionchart を使用して、混同行列を混同行列チャートとしてプロットします。
confusionchart(C)
プロットする前に混同行列を計算する必要はありません。代わりに、confusionchart を使用して、真のラベルと予測ラベルから混同行列チャートを直接プロットします。
cm = confusionchart(g1,g2)
cm =
ConfusionMatrixChart with properties:
NormalizedValues: [4×4 double]
ClassLabels: [4×1 double]
Show all properties
ConfusionMatrixChart オブジェクトでは、数値混同行列が NormalizedValues プロパティに、クラスが ClassLabels プロパティに格納されます。ドット表記を使用して、これらのプロパティを表示します。
cm.NormalizedValues
ans = 4×4
2 0 0 0
0 1 1 0
0 0 0 1
0 0 0 0
cm.ClassLabels
ans = 4×1
1
2
3
4
2 つの誤分類と 1 つの欠損分類が含まれているデータについて混同行列を表示し、グループの順序を指定します。
既知のグループと予測されたグループについてベクトルを作成します。
g1 = [3 2 2 3 1 1]'; % Known groups g2 = [4 2 3 NaN 1 1]'; % Predicted groups
グループの順序を指定し、混同行列を取得します。
C = confusionmat(g1,g2,'Order',[4 3 2 1])C = 4×4
0 0 0 0
1 0 0 0
0 1 1 0
0 0 0 2
混同行列 C の行と列のインデックスは同じであり、グループの順序で指定された順序で編成されます。つまり、(4,3,2,1) になります。
混同行列 C の 2 行目は、グループ 3 に属することがわかっているデータ点の 1 つがグループ 4 として誤分類されたことを示しています。C の 3 行目は、グループ 2 に属しているデータ点の 1 つがグループ 3 として誤分類されたことを示し、4 行目は、グループ 1 に属することがわかっている 2 つのデータ点が正しく分類されたことを示しています。confusionmat は、グループ化変数 g2 内の NaN 値を欠損値として処理し、C の行と列には含めません。
あるグループから別のグループへの観測値の分類に関連する誤分類の数を求めます。グループの順序を使用して混同行列にインデックスを付けます。
10 台の自動車の真の生産国と予測された生産国についてベクトルを作成します。
trueOrigin = ["USA","USA","USA","USA","Germany", ... "Japan","USA","USA","USA","USA"]; predictedOrigin = ["USA","USA","Germany","Germany","Germany", ... "Japan","USA","USA","USA","USA"];
自動車の生産国の混同行列と順序を取得します。次に、混同行列を正しい行名と列名をもつ table に変換します。行名は真の生産国グループに、列名は予測された生産国グループに対応します。
[C,order] = confusionmat(trueOrigin,predictedOrigin)
C = 3×3
6 2 0
0 1 0
0 0 1
order = 3×1 string
"USA"
"Germany"
"Japan"
T = array2table(C,RowNames=order,VariableNames=order)
T=3×3 table
USA Germany Japan
___ _______ _____
USA 6 2 0
Germany 0 1 0
Japan 0 0 1
混同行列 C で、ドイツ製として誤分類された米国製の自動車の数を求めます。
idxUSA = strcmp(order,"USA"); idxGermany = strcmp(order,"Germany"); numC = C(idxUSA,idxGermany)
numC = 2
USA の自動車のうち 2 台が Germany の自動車として誤って分類されています。
あるいは、table T で numC と同じ値を求めます。
numT = T{"USA","Germany"}numT = 2
fisheriris データ セットの標本に対して分類を実行し、生成された結果について混同行列を表示します。
フィッシャーのアヤメのデータ セットを読み込みます。
load fisheririsデータ内の測定値とグループをランダム化します。
rng(0,'twister'); % For reproducibility numObs = length(species); p = randperm(numObs); meas = meas(p,:); species = species(p);
データの最初の半分に含まれている測定値を使用して、判別分析分類器に学習をさせます。
half = floor(numObs/2); training = meas(1:half,:); trainingSpecies = species(1:half); Mdl = fitcdiscr(training,trainingSpecies);
学習済みの分類器を使用して、データの後半部分の測定値についてラベルを予測します。
sample = meas(half+1:end,:); grouphat = predict(Mdl,sample);
グループの順序を指定し、生成された分類について混同行列を表示します。
group = species(half+1:end); [C,order] = confusionmat(group,grouphat,'Order',{'setosa','versicolor','virginica'})
C = 3×3
29 0 0
0 22 2
0 0 22
order = 3×1 cell
{'setosa' }
{'versicolor'}
{'virginica' }
この混同行列は、setosa および virginica に属している測定値が正しく分類され、versicolor に属している測定値の 2 つが virginica として誤分類されたことを示しています。出力 order には、グループ順序 {'setosa','versicolor','virginica'} で指定された順序で混同行列の行と列の順序が格納されます。
fisheriris データ セットの tall 配列に対して分類を実行し、関数 confusionmat を使用して既知および予測 tall ラベルについて混同行列を計算し、関数 confusionchart を使用して混同行列をプロットします。
tall 配列に対する計算を実行する場合、MATLAB® は並列プール (Parallel Computing Toolbox™ がある場合は既定) またはローカルの MATLAB セッションを使用します。Parallel Computing Toolbox がある場合でもローカルの MATLAB セッションを使用して例を実行するには、関数mapreducerを使用してグローバルな実行環境を変更できます。
フィッシャーのアヤメのデータ セットを読み込みます。
load fisheririsインメモリ配列 meas および species を tall 配列に変換します。
tx = tall(meas);
Starting parallel pool (parpool) using the 'local' profile ... Connected to the parallel pool (number of workers: 6).
ty = tall(species);
tall 配列内の観測値の個数を求めます。
numObs = gather(length(ty)); % gather collects tall array into memory再現性を得るために rng と tallrng を使用して乱数発生器のシードを設定し、学習標本を無作為に選択します。tall 配列の場合、ワーカーの個数と実行環境によって結果が異なる可能性があります。詳細については、コードの実行場所の制御を参照してください。
rng('default') tallrng('default') numTrain = floor(numObs/2); [txTrain,trIdx] = datasample(tx,numTrain,'Replace',false); tyTrain = ty(trIdx);
決定木分類器モデルを学習標本に当てはめます。
mdl = fitctree(txTrain,tyTrain);
Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 2: Completed in 3.9 sec - Pass 2 of 2: Completed in 1.5 sec Evaluation completed in 7.3 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 4: Completed in 0.88 sec - Pass 2 of 4: Completed in 1.6 sec - Pass 3 of 4: Completed in 4 sec - Pass 4 of 4: Completed in 2.7 sec Evaluation completed in 11 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 4: Completed in 0.54 sec - Pass 2 of 4: Completed in 1.2 sec - Pass 3 of 4: Completed in 3 sec - Pass 4 of 4: Completed in 2 sec Evaluation completed in 7.6 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 4: Completed in 0.51 sec - Pass 2 of 4: Completed in 1.3 sec - Pass 3 of 4: Completed in 3.1 sec - Pass 4 of 4: Completed in 2.5 sec Evaluation completed in 8.5 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 4: Completed in 0.42 sec - Pass 2 of 4: Completed in 1.2 sec - Pass 3 of 4: Completed in 3 sec - Pass 4 of 4: Completed in 2.1 sec Evaluation completed in 7.6 sec
学習済みのモデルを使用して、テスト標本のラベルを予測します。
txTest = tx(~trIdx,:); label = predict(mdl,txTest);
生成された分類について混同行列を計算します。
tyTest = ty(~trIdx); [C,order] = confusionmat(tyTest,label)
C =
M×N×... tall array
? ? ? ...
? ? ? ...
? ? ? ...
: : :
: : :
Preview deferred. Learn more.
order =
M×N×... tall array
? ? ? ...
? ? ? ...
? ? ? ...
: : :
: : :
Preview deferred. Learn more.
関数 gather を使用して遅延計算を実行し、confusionmat の結果をメモリに返します。
gather(C)
Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 1: Completed in 1.9 sec Evaluation completed in 2.3 sec
ans = 3×3
20 0 0
1 30 2
0 0 22
gather(order)
Evaluating tall expression using the Parallel Pool 'local': Evaluation completed in 0.032 sec
ans = 3×1 cell
{'setosa' }
{'versicolor'}
{'virginica' }
この混同行列は、versicolor クラスの測定値の 3 つが誤分類されたことを示しています。setosa および virginica に属している測定は、すべて正しく分類されています。
混同行列の計算とプロットを行うため、代わりにconfusionchartを使用します。
cm = confusionchart(tyTest,label)
Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 1: Completed in 0.34 sec Evaluation completed in 0.6 sec Evaluating tall expression using the Parallel Pool 'local': - Pass 1 of 1: Completed in 0.48 sec Evaluation completed in 0.67 sec
cm =
ConfusionMatrixChart with properties:
NormalizedValues: [3×3 double]
ClassLabels: {3×1 cell}
Show all properties
関数 confusionmat を使用して、tall table の列にリストされた空港間を飛行するフライトの数を示す行列を作成します。
tall 配列に対する計算を実行する場合、MATLAB® は並列プール (Parallel Computing Toolbox™ がある場合は既定) またはローカルの MATLAB セッションを使用します。Parallel Computing Toolbox がある場合にローカルの MATLAB セッションを使用して例を実行するには、関数 mapreducer を使用してグローバルな実行環境を変更します。
mapreducer(0)
airlinesmall.csv データ セットのデータストアを作成します。NaN 値に置き換えられるように、'NA' 値を欠損データとして扱います。データストアに含める変数として Origin と Dest を選択します。
varnames = {'Origin','Dest'};
ds = datastore('airlinesmall.csv','TreatAsMissing','NA', ...
'SelectedVariableNames',varnames);データストアのデータの tall 配列を作成します。ds のデータは表形式であるため、結果は tall table になります。データが表形式でない場合は、代わりに tall cell 配列が tall で作成されます。
T = tall(ds)
T =
M×2 tall table
Origin Dest
_______ _______
{'LAX'} {'SJC'}
{'SJC'} {'BUR'}
{'SAN'} {'SMF'}
{'BUR'} {'SJC'}
{'SMF'} {'LAX'}
{'LAX'} {'SJC'}
{'SAN'} {'SFO'}
{'SEA'} {'LAX'}
: :
: :
tall table の表示は、データの行数が不明であることを示しています。
列 T.Origin と列 T.Dest の間のフライト数を示す行列を作成します。2 つの列に分類による既知の予測値が格納されていないため、この行列は混同行列ではありません。ただし、関数 confusionmat を使用して頻度の行列を作成できます。
[ta,tb] = confusionmat(T.Origin,T.Dest)
ta =
M×N×... tall array
? ? ? ...
? ? ? ...
? ? ? ...
: : :
: : :
Preview deferred. Learn more.
tb =
M×N×... tall array
? ? ? ...
? ? ? ...
? ? ? ...
: : :
: : :
Preview deferred. Learn more.
関数 gather を使用して遅延計算を実行し、confusionmat の結果をメモリに返します。
[freqMatrix,airportOrder] = gather(ta,tb);
Evaluating tall expression using the Local MATLAB Session: - Pass 1 of 1: Completed in 0.95 sec Evaluation completed in 1.3 sec
行列 freqMatrix の最初の 5 行、および対応する行と列の順序 airportOrder を表示します。
freqMatrix(1:5,:)
ans = 5×323
0 153 169 0 91 161 322 0 44 6 56 24 0 0 23 180 122 20 150 20 63 77 134 37 10 0 3 51 0 1 311 0 15 0 32 81 30 53 0 9 2 15 12 293 20 38 1 73 0 41
168 0 75 59 5 76 0 6 14 79 0 1 0 0 0 54 60 0 5 0 1 5 51 0 0 0 0 1 0 0 55 0 0 0 8 67 50 0 0 0 0 18 1 59 1 0 0 11 0 4
187 87 0 0 78 39 120 0 14 1 18 19 0 0 0 98 95 2 19 3 14 14 72 0 0 0 0 0 0 0 108 0 1 0 1 31 4 14 0 1 0 3 9 172 5 13 0 21 0 10
0 58 0 0 61 25 83 3 2 1 0 0 0 0 0 0 23 0 5 0 0 0 21 0 0 0 0 0 0 0 87 0 0 0 0 13 0 0 0 0 0 0 0 67 0 0 0 1 0 0
114 1 88 73 0 70 20 5 4 47 1 3 0 0 0 40 39 0 1 0 0 3 57 0 0 0 0 0 0 0 50 0 1 0 1 28 1 0 0 0 0 0 2 58 5 0 0 21 0 0
airportOrder(1:5)
ans = 5×1 cell
{'LAX'}
{'SJC'}
{'SAN'}
{'BUR'}
{'SMF'}
行列 freqMatrix には、出発空港 (行) から目的空港 (列) へのフライトの数が表示されます。たとえば、SJC を出発して LAX に到着するフライトの総数は 168 です (freqMatrix(2,1) を参照)。同様に、SMF を出発して SAN に到着するフライトは 88 です (freqMatrix(5,3) を参照)。前述のように、freqMatrix は混同行列ではありませんが、空港間のフライトの数を示します。出発空港と目的空港は常に異なるため、予想どおり、対角要素はすべてゼロになります。
入力引数
出力引数
代替機能
confusionchartを使用し、混同行列の計算とプロットを行います。さらにconfusionchartは、データに関する要約統計量を表示し、クラス単位の精度 (陽性の予測値)、クラス単位の再現率 (真陽性率)、または正しく分類された観測値の総数に従って混同行列のクラスを並べ替えます。
