oobPredict

Предскажите ответ из сумки ансамбля

Синтаксис

[label,score] = oobPredict(ens) [label,score] = oobPredict(ens,Name,Value)

Описание

[label,score] = oobPredict(ens) возвращает метки класса и музыку к ens для данных из сумки.

[label,score] = oobPredict(ens,Name,Value) вычисляет метки и очки с дополнительными опциями, заданными одним или несколькими аргументами пары Name,Value.

Входные параметры

ens

Классификация уволила ансамбль, созданный с fitcensemble.

Аргументы в виде пар имя-значение

Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми. Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

'learners'

Индексы слабых учеников в ансамбле в пределах от 1 к ens .NumTrained. oobEdge использует только этих учеников для вычисления потери.

Значение по умолчанию: 1:NumTrained

Выходные аргументы

label

Метки классификации совпадающего типа данных как данные тренировки Y. (Программное обеспечение обрабатывает строковые массивы как массивы ячеек из символьных векторов.) Существуют элементы N или строки, где N является количеством учебных наблюдений. Метка является классом с самым высоким счетом. В случае связи метка является самой ранней в ens .ClassNames.

score

N-by-K числовая матрица для наблюдений N и классов K. Высокий счет указывает, что наблюдение, вероятно, прибудет из этого класса. Очки находятся в области значений 0 к 1.

Примеры

развернуть все

Найдите ответ из сумки ансамбля классификации

Скрипт Open Live Script

Найдите прогнозы из сумки и музыку к ирисовым данным Фишера. Найдите очки с известной неуверенностью в получившихся классификациях.

Загрузите набор выборочных данных.

load fisheriris

Обучите ансамбль сложенных в мешок деревьев классификации.

ens = fitcensemble(meas,species,'Method','Bag');

Найдите прогнозы из сумки и очки.

[label,score] = oobPredict(ens);

Найдите очки в области значений (0.2,0.8). Эти очки имеют известную неуверенность в получившихся классификациях.

unsure = ((score > .2) & (score < .8));
sum(sum(unsure))  % Number of uncertain predictions

ans = 14

Больше о

развернуть все

Из сумки

Bagging, который обозначает “агрегацию начальной загрузки”, является типом приобретения знаний ансамблем. Чтобы уволить слабого ученика, такого как дерево решений на наборе данных, fitrensemble генерирует много копий начальной загрузки набора данных и выращивает деревья решений на этих копиях. fitrensemble получает каждую копию начальной загрузки путем случайного выбора наблюдений N из N с заменой, где N является размером набора данных. Чтобы найти предсказанный ответ обученного ансамбля, predict берет среднее значение по прогнозам от отдельных деревьев.

Вытягивание N из наблюдений N с заменой не использует в среднем 37% (1/e) наблюдений для каждого дерева решений. Это наблюдения "из сумки". Для каждого наблюдения oobLoss оценивает прогноз из сумки путем усреднения по прогнозам от всех деревьев в ансамбле, для которого это наблюдение вне сумки. Это затем сравнивает вычисленный прогноз с истинным ответом для этого наблюдения. Это вычисляет ошибку из сумки путем сравнения предсказанных ответов из сумки с истинными ответами для всех наблюдений, используемых для обучения. Это среднее значение из сумки является несмещенным средством оценки истинной ошибки ансамбля.

Выиграйте (ансамбль)

Для ансамблей классификация score представляет уверенность классификации в класс. Чем выше счет, тем выше уверенность.

Различные алгоритмы ансамбля имеют различные определения для своих очков. Кроме того, область значений очков зависит от типа ансамбля. Например:

Очки AdaBoostM1 располагаются от – ∞ к ∞.
Очки Bag колеблются от 0 до 1.

Документация