Aplicació de la funció de confusió de trames a MATLAB
Application Plotconfusion Function Matlab
La matriu de confusió és un mitjà per mesurar els resultats de les xarxes neuronals i ha aparegut en molts articles relacionats. L’autor va escriure el seu primer article durant els estudis de postgrau i va considerar l’ús d’una matriu de confusió per il·lustrar la sensibilitat de les xarxes neuronals a la classificació. Per tant, es va realitzar un estudi senzill. El contingut principal prové de l’enllaç següent. https://ww2.mathworks.cn/help/deeplearning/ref/plotconfusion.html?s_tid=srchtitle
Introducció a la matriu de confusió
Al diagrama de la matriu de confusió, les files corresponen a la classe predeterminada (sortida) i les columnes corresponen a la classe veritable (objectiu). Les cèl·lules diagonals corresponen a observacions classificades correctament. Les cel·les fora de diagonals corresponen a observacions mal classificades. El nombre d'objectes i el percentatge del nombre total d'objectes es mostren a cada cel·la.
La columna més dreta del gràfic mostra el percentatge de tots els exemples de totes les categories que estan classificades correctament o incorrectament. Aquestes mètriques se solen anomenar precisió (o predicció positiva) i taxa de descobriment fals, respectivament. Les files de la part inferior del gràfic mostren el percentatge de tots els exemples de cada categoria classificats correctament i incorrectament. Aquests indicadors se solen anomenar taxa de recuperació (o taxa positiva real) i taxa falsa negativa. La cel·la inferior dreta del gràfic mostra la precisió general.
(Podeu ometre els dos paràgrafs anteriors)
La figura següent és un exemple. Les dues primeres unitats diagonals mostren el nombre i el percentatge de la classificació correcta de la xarxa entrenada. Per exemple, hi ha 444 classificacions de la classe 1 correctament, que representen el 63,5% de totes les mostres. De la mateixa manera, hi ha 238 casos amb 2 categories classificades correctament, que representen el 34% de totes les mostres.
Hi ha tres 2 categories que es classifiquen incorrectament com a 1 categoria, la qual cosa equival al 0,4% de totes les mostres de les dades. De la mateixa manera, 14 de cada 1 categories es van classificar incorrectament en 2 categories, la qual cosa equival al 2% de totes les dades.
Entre els 444 + 3 = 447 resultats de predicció tipus 1, el 99,3% és correcte i el 0,7% és incorrecte. Entre 14 + 238 = 252 resultats de predicció de tipus 2, el 94,4% són correctes i el 5,6% són incorrectes. Entre el 44 + 14 = 458 1 tipus, el 96,9% es va predir correctament i el 3,1% es va predir incorrectament. Dels 241 2 tipus, el 98,8% es van classificar correctament i l’1,2% es van classificar incorrectament.
En general, el 97,6% de les prediccions són correctes i el 2,4% de les prediccions són incorrectes.
Ús de la funció
L’ús de funcions de matriu de confusió a MATLAB és el següent:
plotconfusion (objectius, sortides, nom) dibuixa una matriu de confusió i afegeix el nom al començament del títol de la trama. Els objectius són etiquetes de categories conegudes i els resultats són resultats de classificació de la xarxa. nom és el nom de la imatge i el nom de sortida és 'nom Matriu de confusió'.
plotconfusion (blancs1, sortides1, nom1, objectius2, sortides2, nom2, ..., objectiusn, sortidesn, namen) Dibuixeu diverses matrius de confusió en un gràfic i afegiu el paràmetre name al començament del títol del gràfic corresponent. Si voleu dibuixar múltiples, comprimirà automàticament la mida de les cel·les de la imatge; l’efecte serà el següent:
Requisits de dades
Si utilitzeu una xarxa neuronal professional, com ara una xarxa neuronal convolucional, una xarxa neuronal recurrent, etc., simplement poseu les dades corresponents a la funció.
Si utilitzeu altres tipus de classificadors, presteu atenció per esbrinar la ubicació dels resultats de la classificació i les etiquetes reals i el seu format. La funció requereix que el format de l'etiqueta sigui un vector categòric o un format de N (one-hot). L’entrada i sortida de l’aprenentatge profund serà així. Si l'etiqueta i la sortida són dobles o d'altres formats, sempre que siguin vectors de línia, es pot utilitzar el formulari. Aquest mètode l’utilitza l’autor quan dibuixa la matriu de confusió de classificació binària SVM.