Имя объекта классификатора, заданного как вектор символов. Используйте запись через точку, чтобы установить это свойство.

Пример: 'cp_kfold'

Типы данных: char

Описание объекта, заданного как вектор символов. Используйте запись через точку, чтобы установить это свойство.

Пример: 'performance_data_kfold'

Типы данных: char

Это 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

Это 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

Это свойство доступно только для чтения.

Количество наблюдений в вашем наборе данных, заданном как положительное целое число.

Пример: 200

Типы данных: double

Индексы 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

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

Это 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

Это свойство доступно только для чтения.

Частота misclassification каждой выборки, заданной как числовой вектор.

Пример: [0 0 1 0]

Типы данных: double

Это свойство доступно только для чтения.

Частота истинных классов во время валидации, заданной как числовой вектор.

Пример: [10 10 0]

Типы данных: double

Это свойство доступно только для чтения.

Частота ошибок для каждого класса во время валидации, заданной как числовой вектор.

Пример: [0 0 0]

Типы данных: double

Это свойство доступно только для чтения.

Количество валидаций, заданных как положительное целое число.

Пример: 10

Типы данных: double

Это 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

Это 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

Это 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

Это 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

Это 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

Это 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

Это 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

Это 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

Это 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

Это 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

Это 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

Это свойство доступно только для чтения.

Положительная вероятность классификатора, заданного как положительная скалярная величина. PositiveLikelihood задан как Sensitivity / (1 - Specificity).

Пример 5

Типы данных: double

Это свойство доступно только для чтения.

Отрицательная вероятность классификатора, заданного как положительная скалярная величина. NegativeLikelihood задан как (1 - Sensitivity)/Specificity.

Пример: 0

Типы данных: double

Это 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

Это 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