用EXCEL画混淆矩阵图,电子表格绘制混淆矩阵

1. 绘制混淆矩阵

偶次根式的结果不可能是一个正数，而是一正一负两个数，正的那个叫算数平方根。

问题在于根号本身既可以表示开方也可以表示运算结果，所以在次数是偶数的时候会产生混淆，也就是算数平方根(运算结果)和开方(运算本身)的混淆。

√1，是1的算术平方根，根据定义是正的。而√1，本身也可以代表对1开二次方，所以就会产生这种奇怪的情况√1=±√1，而这显然不成立。问题就在于一个负数的偶次方绝对是正数，所以-1x-1是1。那么这种情况其实也不是不可以解决，如果写成√1=(±√1)2，就没有任何问题了，如果规定√1是1的算术平方根，一定是正数，那么√1永远等于1，在这个基础上再给他加正负号，得到两个平方根，再平方，去掉负号如果是负的，就永远等于1。所以在实际中用根号代表开偶次方并不可行。

奇次方根就不会有这种情况，比如对1开三次方，就是1，对-1开三次方，就是-1。这是因为负负负得负。因为奇次方怎么开符号都不会变，所以直接用根号同时代表开方和开方结果就没有任何问题.

所以回到问题，为什么偶次根式结果一定是正数。一定要回答的话，是因为把√同时当成运算过程和运算结果，进而在负负得正的影响下，导致了开方这个运算过程和算数平方根这个运算结果的混淆，用式子表示就是√1=√1。当然如果把开方跟结果分开，就会得到一开始的那句话，偶次根式的结果是一正一负而不是一个负

2. 混淆矩阵图怎么画

a=zeros(61); % 全部元素为0的矩阵 b=ones(61); %全部元素为1的矩阵 MATLAB如何定义变量 情况一：符号变量 必须要定义，定义之后才可以使用。如下面的例子，未定义就会出错。 符号变量定义方法例如: sym x 或者 syms x ，两者有区别也有共同点。

情况二：计算过程当中的存储数值的变量 可以不必定义，随时需要，随时定义，但是有时候如果变量很多，那么最好提前声明，声明的时候，可以直接赋予0值，并且注释，这样方便以后区分，避免混淆。

情况三：矩阵和向量 对于矩阵一般都是需要定义的，定义好矩阵之后，才方便访问/修改矩阵的指定元素，矩阵声明（定义）的方法，常用的 就是声明为零矩阵zeros(M,N),或者单位矩阵ones(M,N),eye(M,N)等。

3. 构造混淆矩阵

混合像元的精度评价一般使用模糊混淆矩阵来评价，根据隶属度来计算偏差。

4. matlab绘制混淆矩阵

情况一：符号变量

必须要定义，定义之后才可以使用。如下面的例子，未定义就会出错。

符号变量定义方法例如: sym x 或者 syms x ，两者有区别也有共同点。

情况二：计算过程当中的存储数值的变量

可以不必定义，随时需要，随时定义，但是有时候如果变量很多，那么最好提前声明，声明的时候，可以直接赋予0值，并且注释，这样方便以后区分，避免混淆。

情况三：矩阵和向量

对于矩阵一般都是需要定义的，定义好矩阵之后，才方便访问/修改矩阵的指定元素，矩阵声明（定义）的方法，常用的 就是声明为零矩阵zeros(M,N),或者单位矩阵ones(M,N),eye(M,N)等。

5. 绘制混淆矩阵怎么画

一致性系数它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和，再减去某一类地表真实像元总数与被误分成该类像元总数之积对所有类别求和的结果，再除以总像元数的平方减去某一类中地表真实像元总数与该类中被误分成该类像元总数之积对所有类别求和的结果所得到的。

6. 绘制混淆矩阵 比例

地理探测器中的p值是土地的酸碱值。q值实际上就是false discovery rate (FDR)：直观来看，

q值是用上面混淆矩阵的第二行算出来的.q值衡量的是在进行多次统计推断后，在所有被判定为显著性的结果里，有多大比例是误判的。

p值实际上就是false positive rate(FPR，假正率)：直观来看，p值是用上面混淆矩阵的第一列算出来的.p值衡量的是一个原本应该是 H0 的判断被错误认为是H1的比例，所以它是针对单次统计推断的一个置信度评估；

7. 绘制混淆矩阵时类别太多怎么办

一次是没有问题，只是这次你用的ROI是你用来分类的ROI，我们在进行混淆矩阵计算的时候选择的ROI应尽量重新选择一组新的作为验证样本。

这样分类精度比较准确。

8. 混淆矩阵的绘制

如下步骤：

1)分别获取某一地区的光学遥感数据和雷达遥感数据，并进行预处理，将光学遥感数据和雷达遥感数据依据研究区进行图像裁剪和配准；

2)使用灰度共生矩阵提取雷达遥感数据的纹理信息；

3)使用主成分分析法对雷达遥感数据和光学遥感数据进行融合；

4)在融合数据的图像上获取感兴趣区，创建基于感兴趣区的训练样本；

5)利用得到的融合数据和雷达遥感数据的纹理信息，结合训练样本的光谱特征和后向散射特征使用支持向量机法进行分类。优选地，在所述步骤1)中，光学遥感数据的预处理过程包括：对光学遥感数据进行辐射定标、大气与几何校正、重采样、裁剪；为了防止波段丢失进行分辨率为10m的重采样，选择最近邻法为升采样方式；雷达遥感数据的预处理过程包括：辐射定标、几何校正、影像配准以及噪声滤波。

优选地，在所述步骤2)中，利用灰度共生矩阵，采用5×5的窗口提取10种纹理信息，包括：均值、方差、协同性、对比度、相异性、信息熵、角二阶矩、相关性、能量和最大概率。

优选地，在所述步骤3)中，还包含使用j-m距离对训练样本进行可分离性分析：j-m距离计算方式为：j＝2(1-e-b)式中，b是指在该特征为上的巴氏距离，两种不同类别间样本对象的巴氏距离计算方式为：式中，mi表示特征的均值，表示该类特征的方差，其中，i＝1,2；j-m距离的取值范围是[0,2]，越接近2则可分离性越高，当训练样本的j-m距离大于1.8时认为该训练样本为合格样本。

优选地，在所述步骤4)中，选用支持向量机法进行分类：支持向量机法的决策函数为：其中，构建最优分类超平面为：fi(x)表示分类结果，i＝1,2,…,m，m表示土地覆盖类别的总数。优选地，本发明的方法还包括：采用混淆矩阵对两种分类方法进行分类精度评价；在确定检验样本后，建立混淆矩阵，对支持向量机的分类精度进行检验，得到各类土地覆盖的总体分类精度和kappa系数，对总体分类精度和kappa系数进行比较和分析。所述技术特征可以各种合适的波段组合或等效的技术特征来代替，只要能够达到本发明的目的。