resubPredict

Классифицируйте наблюдения на ансамбль моделей классификации

Синтаксис

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

Описание

label = resubPredict(ens) возвращается, маркирует ens, предсказывает для данных ens.X. label является прогнозами ens на данных, что fitcensemble раньше создавал ens.

[label,score] = resubPredict(ens) также возвращает музыку ко всем классам.

[label,score] = resubPredict(ens,Name,Value) находит прогнозы перезамены 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. oobLoss использует только этих учеников для вычисления потери.

Значение по умолчанию: 1:NumTrained

Выходные аргументы

`label`	Ответ `ens` предсказывает для данных тренировки. `label` является совпадающим типом данных как учебными данными об ответе `ens.Y` и имеет то же количество записей как количество строк в `ens.X`.
`score`	`N`-by-`K` матрица, где `N` является количеством строк в `ens.X` и `K`, является количеством классов в `ens`. Высоко выиграйте, значение указывает, что наблюдение, вероятно, прибывает из этого класса.

Примеры

развернуть все

Определение количества ансамбля Misclassifications

Скрипт Open Live Script

Найдите общее количество misclassifications данных fisheriris для ансамбля классификации.

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 общее количество misclassifications.

Ypredict = resubPredict(ens); % The predictions
Ysame = strcmp(Ypredict,species); % True when Ypredict and species are equal
sum(~Ysame) % Number of different predictions

ans = 5

Больше о

развернуть все

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