Вычислите поля классификации перезамены для модели ECOC с бинарными учениками SVM.

Загрузите ирисовый набор данных Фишера. Задайте данные о предикторе X и данные об ответе Y.

load fisheriris
X = meas;
Y = species;

Обучите модель ECOC с помощью двоичных классификаторов SVM. Стандартизируйте предикторы с помощью шаблона SVM и задайте порядок класса.

t = templateSVM('Standardize',true);
classOrder = unique(Y)

classOrder = 3x1 cell array
    {'setosa'    }
    {'versicolor'}
    {'virginica' }

Mdl = fitcecoc(X,Y,'Learners',t,'ClassNames',classOrder);

t является объектом шаблона SVM. Во время обучения программное обеспечение использует значения по умолчанию для пустых свойств в t. Mdl является моделью ClassificationECOC.

Вычислите поля классификации для наблюдений раньше обучали Mdl. Отобразите распределение полей с помощью коробчатой диаграммы.

m = resubMargin(Mdl);

boxplot(m)
title('In-Sample Margins')

Поле классификации наблюдения является отрицаемой потерей положительного класса минус отрицаемая потеря максимального отрицательного класса. Выберите классификаторы, которые приводят к относительно большим полям.

Выполните выбор функции путем сравнения учебно-демонстрационных полей от многоуровневых моделей. Базирующийся только на этом сравнении, модель с самыми большими полями является лучшей моделью.

Загрузите ирисовый набор данных Фишера. Задайте два набора данных:

load fisheriris
X = meas;
fullX = X;
partX = X(:,1:2);
Y = species;

Обучите модель ECOC с помощью двоичных учеников SVM для каждого набора предиктора. Стандартизируйте предикторы с помощью шаблона SVM, задайте порядок класса и вычислите апостериорные вероятности.

t = templateSVM('Standardize',true);
classOrder = unique(Y)

classOrder = 3x1 cell array
    {'setosa'    }
    {'versicolor'}
    {'virginica' }

FullMdl = fitcecoc(fullX,Y,'Learners',t,'ClassNames',classOrder,...
    'FitPosterior',true);
PartMdl = fitcecoc(partX,Y,'Learners',t,'ClassNames',classOrder,...
    'FitPosterior',true);

Вычислите поля перезамены для каждого классификатора. Для каждой модели отобразите распределение полей с помощью коробчатой диаграммы.

fullMargins = resubMargin(FullMdl);
partMargins = resubMargin(PartMdl);

boxplot([fullMargins partMargins],'Labels',{'All Predictors','Two Predictors'})
title('Training-Sample Margins')

Граничное распределение FullMdl расположено выше и имеет меньше изменчивости, чем граничное распределение PartMdl. Этот результат предполагает, что модель, обученная со всеми предикторами, соответствует данным тренировки лучше.