matlab 分类学习工具箱 Classification Learner的使用及导出其生成的图，混淆矩阵confusion matrix的画法

声明：转自https://blog.csdn.net/qq_27914913/article/details/71436838

https://blog.csdn.net/evil_xue/article/details/89765890

在matlab中，既有各种分类器的训练函数，比如“fitcsvm”，也有图形界面的分类学习工具箱，里面包含SVM、决策树、Knn等各类分类器，使用非常方便。接下来讲讲如何使用。

一、使用

1、启动：

点击“应用程序”，在面板中找到“Classification Learner”图标点击即启动，也可以在命令行输入“classificationlearner”，回车，也可启动。如下图：

2、导入数据：

点击“New Session”，可以从工作空间或文件中导入数据。
（默认数组中最后一列为标签）
选择数据后，导入分为三步：

第一步，确定你的数据格式，这里导入的数据是一个矩阵，既有样本输入也有对应的输出。比如，我导入的数据data是33000的矩阵，3000个样本，每个样本两个特征值，第三行是每个样本对应的输出。这时我应该选择“Use row as variables”，如果数据格式为30003，则选择“Use column as variables”。
第二步，指定哪一行为“response”即输出响应，在本数据中，第三行为输出，其余为“predictor”。
第三步，是否需要验证，一般都选择交叉验证“Cross Validation”，folds表示几次，自己选择即可。

确定后，点击“start session”。

3、选择分类器：

如下图，原始数据的散点图会显示出来，由于这数据只有两维，因此可以全部显示在二维坐标中。如果你的数据多于两维，二维坐标系不能完全显示每一维，你可以在右边红圈的X、Y下拉条中选择显示哪两维。

训练前可以选择训练的模型，点击红圈中的下拉箭头，可以看到各类训练模型，选择一个即可，也可以选择某一类的“ALL”，该类所有模型都会训练一遍。
选好模型后，点击“train”，开始训练。

4、训练结果：

训练结果显示在左边，每个模型训练后的准确率都会显示出来，最高准确率会被标注，下面即为模型的信息。

点击“Advance”可以设置模型的具体参数。点击“Confusion Matrix”可以查看混淆矩阵等。

点击“Export Model”可以将模型导出到工作空间，这样就可以利用模型来测试新的数据。也可以导出为代码，方便研究。

当后续需要处理的数据量比较大或者需要重复使用时，建议导出代码。

5、样本预测

模型导出到workespace中，命令窗口会显示一下提示信息

这里的T应该值得是一个类，需要自己定义，如果不需要立即保存，可以用另外一种方式进行样本分类预测。

[LABEL,SCORE]=predict(SVM,X)

X是大小为N*P的数字矩阵，其中P是用于训练此模型的预测变量的数量。SCORE代表各个样本的各个特征对此分类的权值，LABEL为预测分类。
——————
样本预测转自：
https://blog.csdn.net/weixin_38645024/article/details/80010714

 

二、导出 Classification Learner生成的图

画出的图有时需要导出放到论文里，但是里面并没有相关按钮。

这时可以使用

hFigs = findall(groot,'type','figure');

 导出图像句柄，再生成图，可以使用saveas来导出pdf或者eps等格式的图片，

saveas(hFigs,'Confusion Matrix.pdf');

• 注意：如果在工作区出现了一个2X1或者3X1的figure hfigs，是因为界面中同时打开了2张或者3张图，需要将其余不需要的图关闭，仅保留需要处理的一张图即可。对于生成的roc曲线图、Confusion Matrix图处理方式相同。
• 另外，saveas后出现这种情况：图形对于页面而言太大，将被剪切，是因为：
• saveas默认是以a4的大小输出的，可以调整图为a3,或者a2,a1,a0，即在saveas之前，输入

• set(hFigs,'PaperType','a3');

感谢https://blog.csdn.net/yq_forever/article/details/85264920#comments的分享。

但现在仍有一个问题，对于39×39的大型矩阵，只有颜色显示，无法显示具体的结果，是否可以将混淆矩阵中计算得到的具体结果导出？如果直接使用工具箱生成的code来计算结果，得到是所有结果的平均值，也无法获取中间过程结果。

1、以下是matlab中给出的混淆矩阵计算方式

%Compute the confusion matrix using stratified 10-fold cross validation:

clear;
load('fisheriris');
y = species;
X = meas;
order = unique(y); % Order of the group labels
cp = cvpartition(y,'k',10); % Stratified cross-validation

f = @(xtr,ytr,xte,yte)confusionmat(yte,...
classify(xte,xtr,ytr),'order',order);

cfMat = crossval(f,X,y,'partition',cp);
cfMat = reshape(sum(cfMat),3,3)

2、常规混淆矩阵的画法，可以，- 保存混淆矩阵文本文件 - matlab中使用imagesc命令

例如：[mat,order] = confusionmat(actual,predicted);%生成混淆矩阵，或者rand(10,10) %以一个随机生成的矩阵为例

  imagesc(mat)；%生成图查看矩阵的结果，可以添加colorbar给出图例
colormap(flipud(gray)); %或者将彩色的图转化为黑白灰的图，higher values are black and lower values are white

but无法获得predicted

注：还可以直接使用plotconfusion函数绘制混淆矩阵，函数的3种用法

plotconfusion(targets,outputs)
plotconfusion(targets,outputs,name)
plotconfusion(targets1,outputs1,name1,targets2,outputs2,name2,...,targetsn,outputsn,namen)

详细参考官方解释https://ww2.mathworks.cn/help/deeplearning/ref/plotconfusion.html?tdsourcetag=s_pcqq_aiomsg

关于混淆矩阵画法的有很多，具体参考：

https://blog.csdn.net/dujiahei/article/details/80789945

https://blog.csdn.net/dujiahei/article/details/80789945

https://blog.csdn.net/xuyingjie125/article/details/78417760

(7.26补充：上述问题在耐心看完全部程序之后解决了，可以在工具箱generate code后输出参数添加response,validationPredictions，或者直接修改导出的模型code）

% Perform cross-validation
partitionedModel = crossval(trainedClassifier.ClassificationKNN, 'KFold', 10);

% Compute validation accuracy
validationAccuracy = 1 - kfoldLoss(partitionedModel, 'LossFun', 'ClassifError');

% Compute validation predictions and scores
[validationPredictions, validationScores] = kfoldPredict(partitionedModel);

%plot confusion matrix
[cfmat,order] = confusionmat(response,validationPredictions);
imagesc(cfmat);
colormap(flipud(gray)); 

另外，在https://www.mathworks.com/matlabcentral/answers/280897-exporting-roc-curve-and-confusion-matrix-computation-code-from-the-classification-learner-app?s_tid=answers_rc1-1_p1_Topic也验证了想法

• CONFUSION MATRIX

C = confusionmat(response,validationPredictions);
CP = classperf(response,validationPredictions);

• ROC CURVE:

[X,Y,T,AUC,OPTROCPT,SUBY,SUBYNAMES] = perfcurve(response,validationScores(:,1),'PositiveClass');
figure, plot(X,Y,OPTROCPT(1),OPTROCPT(2),'r*');