Информация о производительности классификатора
Чтобы просмотреть связанную с производительностью информацию классификатора, создайте объект classperformance
при помощи функции classperf
. Используйте запись через точку, чтобы получить доступ к свойствам объектов, таким как CorrectRate
, ErrorRate
, Sensitivity
и Specificity
.
Метка
Имя объекта классификатора''
(значение по умолчанию) | вектор символовИмя объекта классификатора, заданного как вектор символов. Используйте запись через точку, чтобы установить это свойство.
Пример:
'cp_kfold'
Типы данных: char
Описание
Описание объекта''
(значение по умолчанию) | вектор символовОписание объекта, заданного как вектор символов. Используйте запись через точку, чтобы установить это свойство.
Пример:
'performance_data_kfold'
Типы данных: char
ClassLabels
— Уникальный набор истинных метокЭто свойство доступно только для чтения.
Уникальный набор истинных меток от groundTruth
, заданного как вектор положительных целых чисел или массива ячеек из символьных векторов. Это свойство эквивалентно выводу, когда вы запускаете
.unique(groundTruth)
Пример:
{'ovarian','liver','normal'}
Типы данных: double
| cell
GroundTruth
— Истинные метки для всех наблюденийЭто свойство доступно только для чтения.
Истинные метки для всех наблюдений в вашем наборе данных, заданном как вектор положительных целых чисел или массива ячеек из символьных векторов.
Пример:
{'ovarian','liver','normal','ovarian','ovarian','liver'}
Типы данных: double
| cell
NumberOfObservations
— Количество наблюденийЭто свойство доступно только для чтения.
Количество наблюдений в вашем наборе данных, заданном как положительное целое число.
Пример:
200
Типы данных: double
ControlClasses
— Индексы, чтобы управлять классами от истинных метокИндексы к классам управления от истины маркируют (ClassLabels
), заданный как вектор положительных целых чисел. Это свойство указывает на управление (или отрицательный) классы в диагностическом тесте. По умолчанию ControlClasses
содержит все классы кроме первого класса, возвращенного
.grp2idx(groundTruth)
Можно установить это свойство при помощи записи через точку или аргумента пары "имя-значение" 'Negative'
с функцией classperf
.
Пример 3
Типы данных: double
TargetClasses
— Индексы, чтобы предназначаться для классов от истинных меток Индексы к целевым классам от истины маркируют (ClassLabels
), заданный как вектор положительных целых чисел. Это свойство указывает на цель (или положительный) классы в диагностическом тесте. По умолчанию ControlClasses
содержит первый класс, возвращенный
.grp2idx(groundTruth)
Можно установить это свойство при помощи записи через точку или аргумента пары "имя-значение" 'Positive'
с функцией classperf
.
Пример:
[1 2]
Типы данных: double
SampleDistribution
— Количество оценок для каждой выборкиЭто свойство доступно только для чтения.
Количество оценок для каждой выборки во время валидации, заданной как числовой вектор. Например, если вы используете перезамену, SampleDistribution
является вектором из единиц и ValidationCounter
= 1. Если у вас есть 10-кратная перекрестная проверка, SampleDistribution
является также вектором из единиц, но ValidationCounter
= 10.
SampleDistribution
полезен при выполнении разделов Монте-Карло наборов тестов, и он может помочь определить, тестируется ли каждая выборка равное количество времен.
Пример:
[0 0 2 0]
Типы данных: double
ErrorDistribution
— Частота misclassification каждой выборкиЭто свойство доступно только для чтения.
Частота misclassification каждой выборки, заданной как числовой вектор.
Пример:
[0 0 1 0]
Типы данных: double
SampleDistributionByClass
— Частота истинных классов во время валидацииЭто свойство доступно только для чтения.
Частота истинных классов во время валидации, заданной как числовой вектор.
Пример:
[10 10 0]
Типы данных: double
ErrorDistributionByClass
— Частота ошибок для каждого классаЭто свойство доступно только для чтения.
Частота ошибок для каждого класса во время валидации, заданной как числовой вектор.
Пример:
[0 0 0]
Типы данных: double
ValidationCounter
— Количество валидацийЭто свойство доступно только для чтения.
Количество валидаций, заданных как положительное целое число.
Пример:
10
Типы данных: double
CountingMatrix
— Матрица беспорядка классификацииЭто свойство доступно только для чтения.
Матрица беспорядка классификации, заданная как числовой массив. Порядок строк и столбцов в матрице эквивалентен в grp2idx(groundTruth)
. Столбцы представляют истинные классы, и строки представляют прогноз классификатора. Последняя строка в CountingMatrix
резервируется для подсчета неокончательных результатов.
Пример:
[10 0 0;0 10 0; 0 0 0; 0 0 0]
Типы данных: double
CorrectRate
— Правильный уровень классификатораЭто свойство доступно только для чтения.
Правильный уровень классификатора, заданного как положительная скалярная величина. CorrectRate
задан как количество правильно классифицированных выборок, разделенных на количество классифицированных выборок. Неокончательные результаты не считаются.
Пример 1
Типы данных: double
ErrorRate
— Коэффициент ошибок классификатораЭто свойство доступно только для чтения.
Коэффициент ошибок классификатора, заданного как положительная скалярная величина. ErrorRate
задан как количество неправильно классифицированных выборок, разделенных на количество классифицированных выборок. Неокончательные результаты не считаются.
Пример: 0
Типы данных: double
LastCorrectRate
— Правильный уровень классификатора во время последнего выполненияЭто свойство доступно только для чтения.
Правильный уровень классификатора во время последней валидации, запущенной, заданной как положительная скалярная величина. В отличие от CorrectRate
, LastCorrectRate
только применяется к оцененным выборкам от нового выполнения валидации объекта управления классификатора.
Пример 1
Типы данных: double
LastErrorRate
— Коэффициент ошибок классификатора во время последней валидацииЭто свойство доступно только для чтения.
Коэффициент ошибок классификатора во время последней валидации, запущенной, заданной как положительная скалярная величина. В отличие от ErrorRate
, LastErrorRate
только применяется к оцененным выборкам от нового выполнения валидации объекта управления классификатора.
Пример:
0
Типы данных: double
InconclusiveRate
— Неокончательный уровень классификатораЭто свойство доступно только для чтения.
Неокончательный уровень классификатора, заданного как положительная скалярная величина. InconclusiveRate
задан как количество незасекреченных (неокончательных) выборок, разделенных на общее количество выборок.
Пример:
0
Типы данных: double
ClassifiedRate
— Классифицированный уровень классификатораЭто свойство доступно только для чтения.
Классифицированный уровень классификатора, заданного как положительная скалярная величина. ClassifiedRate
задан как количество классифицированных выборок, разделенных на общее количество выборок.
Пример 1
Типы данных: double
Sensitivity
— Чувствительность классификатораЭто свойство доступно только для чтения.
Чувствительность классификатора, заданного как положительная скалярная величина. Sensitivity
задан как количество правильно классифицированных положительных выборок, разделенных на количество истинных положительных выборок.
Неокончательные результаты, которые являются истинными положительными сторонами, считаются как ошибки для вычисления Sensitivity
. Другими словами, неокончательные результаты могут уменьшить диагностическое значение теста.
Пример 1
Типы данных: double
Specificity
— Специфика классификатораЭто свойство доступно только для чтения.
Специфика классификатора, заданного как положительная скалярная величина. Specificity
задан как количество правильно классифицированных отрицательных выборок, разделенных на количество истинных отрицательных выборок.
Неокончательные результаты, которые являются истинными отрицательными сторонами, считаются как ошибки для вычисления Specificity
. Другими словами, неокончательные результаты могут уменьшить диагностическое значение теста.
Пример:
0.8
Типы данных: double
PositivePredictiveValue
— Положительное прогнозирующее значение классификатораЭто свойство доступно только для чтения.
Положительное прогнозирующее значение классификатора, заданного как положительная скалярная величина. PositivePredictiveValue
задан как количество правильно классифицированных положительных выборок, разделенных на количество положительных классифицированных выборок.
Неокончательные результаты классифицируются как отрицательные при вычислении PositivePredictiveValue
.
Пример 1
Типы данных: double
NegativePredictiveValue
— Отрицательное прогнозирующее значение классификатораЭто свойство доступно только для чтения.
Отрицательное прогнозирующее значение классификатора, заданного как положительная скалярная величина. NegativePredictiveValue
задан как количество правильно классифицированных отрицательных выборок, разделенных на количество отрицательных классифицированных выборок.
Неокончательные результаты классифицируются как положительные при вычислении NegativePredictiveValue
.
Пример 1
Типы данных: double
PositiveLikelihood
— Положительная вероятность классификатораЭто свойство доступно только для чтения.
Положительная вероятность классификатора, заданного как положительная скалярная величина. PositiveLikelihood
задан как
.Sensitivity / (1 - Specificity)
Пример 5
Типы данных: double
NegativeLikelihood
— Отрицательная вероятность классификатораЭто свойство доступно только для чтения.
Отрицательная вероятность классификатора, заданного как положительная скалярная величина. NegativeLikelihood
задан как
.(1 - Sensitivity)/Specificity
Пример: 0
Типы данных: double
Prevalence
— Распространенность классификатораЭто свойство доступно только для чтения.
Распространенность классификатора, заданного как положительная скалярная величина. Prevalence
задан как количество истинных положительных выборок, разделенных на общее количество выборок.
Пример 1
Типы данных: double
DiagnosticTable
— DiagnosticЭто свойство доступно только для чтения.
Диагностическая таблица, заданная как two-two числовой массив. Первая строка указывает на количество выборок, классифицированных как положительное с количеством истинных положительных сторон в первом столбце и количеством ложных положительных сторон во втором столбце. Вторая строка указывает на количество выборок, классифицированных как отрицательное с количеством ложных отрицательных сторон в первом столбце и количеством истинных отрицательных сторон во втором столбце.
Правильные классификации появляются в диагональных элементах, и ошибки появляются в недиагональных элементах. Неокончательные результаты рассматриваются ошибками и считаются в недиагональных элементах. Для примера смотрите Диагностический Табличный Пример.
Пример:
[20 0;0 0]
Типы данных: double
Предположим, что изучение рака 10 пациентов приводит к этим результатам.
Пациент | Классификатор Вывод | Имеет рак |
---|---|---|
1 | Положительный | Да |
2 | Положительный | Да |
3 | Положительный | Да |
4 | Положительный | Нет |
5 | Отрицательный | Да |
6 | Отрицательный | Нет |
7 | Отрицательный | Нет |
8 | Отрицательный | Нет |
9 | Отрицательный | Нет |
10 | Неокончательный | Да |
Используя эти результаты, функция вычисляет DiagnosticTable
можно следующим образом:
classify
| classperf
| crossvalind
| grp2idx
| knnclassify
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.