matlab 混淆矩阵代码

在 MATLAB 中，可以使用 `confusionmat` 函数来计算混淆矩阵。该函数的输入是真实标签和预测标签，输出是一个混淆矩阵。

以下是一个示例代码：

% 真实标签
trueLabels = [1, 2, 2, 3, 1, 3, 3];

% 预测标签
predictedLabels = [1, 2, 1, 3, 1, 2, 2];

% 计算混淆矩阵
C = confusionmat(trueLabels, predictedLabels);
disp(C);

运行代码后，将会输出混淆矩阵 C，其对角线上的元素表示分类正确的样本数，非对角线上的元素表示分类错误的样本数。例如，C(1,1) 表示真实标签为1且预测标签为1的样本数，C(2,3) 表示真实标签为2但预测标签为3的样本数。

希望能帮到你！如果还有其他问题，请随时问我。

相关问题

matlab混淆矩阵代码

在 MATLAB 中，可以使用 `confusionmat` 函数来计算混淆矩阵。以下是一个示例代码：

% 实际类别
actual = [1; 1; 2; 2; 3; 3; 3];
% 预测类别
predicted = [1; 1; 1; 2; 2; 3; 3];

% 计算混淆矩阵
C = confusionmat(actual, predicted);

% 显示混淆矩阵
disp(C);

运行上述代码将输出以下混淆矩阵：

     2     0     0
     1     1     0
     0     1     2

这个混淆矩阵表示有 2 个样本被正确预测为类别 1，1 个样本被错误预测为类别 2，1 个样本被正确预测为类别 2，2 个样本被正确预测为类别 3，等等。你可以根据自己的实际数据和预测结果修改 `actual` 和 `predicted` 数组来计算你自己的混淆矩阵。

matlab混淆矩阵 代码

在MATLAB中，混淆矩阵是一个二维数组，用于评估分类模型的表现。它通常包含实际类别（纵坐标）和预测类别（横坐标）的组合。以下是一个简单的例子，假设我们有一个已分类的测试数据和一个分类器的预测结果，我们可以创建并计算混淆矩阵：

% 假设 groundTruth 是真实的类别向量，prediction 是模型预测的结果
groundTruth = [1 0 1 0 1]; % 例如，真实标签可能是 {正类, 负类}
prediction = [1 0 0 1 1]; % 预测结果

% 创建混淆矩阵
confMat = confusionmat(groundTruth, prediction);

% 显示混淆矩阵
disp(confMat);

运行上述代码后，`confMat`将显示为：

     2     1
     0     1

在这个例子中，第一行（True Positives）表示真正为正类的样本中有2个被正确预测为正类，1个被错误预测为负类。第二行（False Positives）表示实际为负类的样本中，有0个被误判为正类，1个被误判为正类。类似地，第三列代表了实际为正类的样本中被预测为负类的数量，第四列代表了实际为负类的样本中被预测为正类的数量。

你可以通过各种统计量如精度（Accuracy）、召回率（Recall）、F1分数等从混淆矩阵进一步分析模型性能。例如：

accuracy = sum(diag(confMat)) / sum(confMat(:));
precision = confMat(1,1) / (confMat(1,1) + confMat(1,2));
recall = confMat(1,1) / (confMat(1,1) + confMat(2,1));