resubMargin

Поля классификации перезаменой

Синтаксис

margin = resubMargin(ens) margin = resubMargin(ens,Name,Value)

Описание

margin = resubMargin(ens) возвращает поле классификации, полученное ens на его данных тренировки.

margin = resubMargin(ens,Name,Value) вычисляет поля с дополнительными опциями, заданными одним или несколькими аргументами пары Name,Value.

Входные параметры

ens

Ансамбль классификации создается 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 NumTrained. resubMargin использует только этих учеников для вычисления поля.

Значение по умолчанию: 1:NumTrained

Выходные аргументы

margin

Числовой вектор-столбец длины size(ens.X,1), содержащий поля классификации.

Примеры

развернуть все

Вычислите поля перезамены для ансамбля классификации

Скрипт Open Live Script

Найдите поля перезамены для ансамбля, который классифицирует ирисовые данные Фишера.

Загрузите ирисовый набор данных Фишера.

load fisheriris

Обучите ансамбль 100 повышенных деревьев классификации с помощью AdaBoostM2.

t = templateTree('MaxNumSplits',1); % Weak learner template tree object
ens = fitcensemble(meas,species,'Method','AdaBoostM2','Learners',t);

Найдите поля перезамены.

margin = resubMargin(ens);
[min(margin) mean(margin) max(margin)]

ans = 1×3

   -0.5674    3.2486    4.6245

Больше о

развернуть все

Поле

Классификация margin является различием между классификацией score для истинного класса и максимальным счетом классификации к ложным классам. Поле является вектор-столбцом с одинаковым числом строк как в матричном ens .X.

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