matlab画包含二个不同数据集（训练集、验证集）进行样本集划分后的得分图可视化，并添加指标信息

在MATLAB中，你可以使用`plot`函数结合`confusionmat`函数来绘制样本集划分（如训练集和验证集）之后的得分图，通常这涉及到分类模型的性能评估。以下是一个基本步骤：

1. **加载数据**：首先，你需要加载训练集和验证集的数据，假设它们分别存储在变量`train_data`和`val_data`中。

2. **建立模型并训练**：使用训练数据训练你的模型，比如使用`sfit`对线性回归或者`fitcknn`对KNN等。

3. **预测与评估**：
- 对训练集和验证集进行预测，例如 `train_pred = predict(model, train_data)` 和 `val_pred = predict(model, val_data)`。
- 计算混淆矩阵（`train_cm = confusionmat(train_labels, train_pred); val_cm = confusionmat(val_labels, val_pred);`），其中`train_labels`和`val_labels`分别为对应数据集的真实标签。

4. **计算得分**：
- 可以根据混淆矩阵计算精度（Accuracy）、召回率（Recall）、F1分数等指标。例如：`train_acc = sum(diag(train_cm))/sum(train_cm(:)); val_acc = sum(diag(val_cm))/sum(val_cm(:))`。

5. **可视化**：
- 使用`confusionchart`或自定义`bar`或`heatmap`函数绘制混淆矩阵，展示每个类别间的预测情况。
- 使用`plot`绘制两个得分（比如精度）随时间或其他因素的变化，可以加上标题和坐标轴标签。

6. **添加指标信息**：
- 可以在图表上直接标注每个数据集的得分，比如在图形旁边或者底部显示“训练集得分：XX”，“验证集得分：YY”。

示例代码：

% ... (加载数据，训练模型)

% 训练集评估
train_pred = predict(model, train_data);
train_cm = confusionmat(train_labels, train_pred);
train_acc = sum(diag(train_cm))/sum(train_cm(:));
[~, train_idx] = max(train_cm, [], 2);
train_recall = train_cm(train_idx, :) ./ diag(train_cm);

% 验证集评估
val_pred = predict(model, val_data);
val_cm = confusionmat(val_labels, val_pred);
val_acc = sum(diag(val_cm))/sum(val_cm(:));
[~, val_idx] = max(val_cm, [], 2);
val_recall = val_cm(val_idx, :) ./ diag(val_cm);

% 绘制混淆矩阵和得分
confusionchart([train_cm, val_cm], 'DataLabels', {'Train', 'Validation'});
hold on;
bar([train_acc, val_acc], 'stacked');
text(1, [train_acc; val_acc], num2str([train_acc, val_acc]), 'HorizontalAlignment', 'center');

% 添加指标信息
title('Training and Validation Set Performance');
xlabel('Model Output');
ylabel('True Label');
legend('Accuracy', 'Score');
hold off;

% 显示召回率
figure;
bar([train_recall; val_recall], 'stacked');
set(gca, 'XTickLabel', unique(train_labels), 'XTick', 1:length(unique(train_labels)));
legend('Train Recall', 'Validation Recall');

记得根据实际模型和数据调整代码细节。