MATLAB中的confusionmat函数的用法，试举例说明

`confusionmat`是MATLAB中用于计算分类混淆矩阵的一个函数。它通常用于评估分类算法的性能，尤其是在二分类或多分类任务中。混淆矩阵是一个表格，展示了真实类别（纵轴）和预测类别（横轴）之间的对应情况。

基本用法如下：

[TP, FP, TN, FN] = confusionmat(true_labels, predicted_labels);

这里，`true_labels`是实际标签数组，`predicted_labels`是模型预测的标签数组。函数会返回四个元素：
- `TP`（True Positive）：真正例，即实际为正例且被正确识别为正例的样本数。
- `FP`（False Positive）：假正例，即实际为负例但被错误地预测为正例的样本数。
- `TN`（True Negative）：真负例，即实际为负例且被正确识别为负例的样本数。
- `FN`（False Negative）：假负例，即实际为正例但被错误地预测为负例的样本数。

举个例子：
假设我们有实际的猫狗图像标签数据（1代表猫，0代表狗），以及我们的模型对这些图像的预测结果。我们可以像这样使用`confusionmat`：

true_labels = [ones(50,1) zeros(50,1)]; % 假设前50张图是猫，后50张图是狗
predicted_labels = model.predict(image_data); % 预测结果

conf_mat = confusionmat(true_labels, predicted_labels);

这将生成一个4x4的矩阵，我们可以从中计算精确度、召回率、F1分数等指标来评估模型性能。