предсказать

Предскажите метки с помощью k - самая близкая соседняя модель классификации

Синтаксис

label = predict(mdl,X)

[label,score,cost]
= predict(mdl,X)

Описание

label = predict(mdl,X) возвращает вектор предсказанных меток класса для данных о предикторе в таблице или матричном X, на основе обученного k - самая близкая соседняя модель mdl классификации. Смотрите Предсказанную Метку Класса.

пример

[label,score,cost] = predict(mdl,X) также возвращается:

Матрица очков классификации (score), указывающий на вероятность, что метка прибывает из конкретного класса. Для k - самый близкий сосед, очки являются апостериорными вероятностями. Смотрите Апостериорную вероятность.
Матрица ожидаемой классификации стоила (cost). Для каждого наблюдения в X предсказанная метка класса соответствует минимальным ожидаемым затратам классификации среди всех классов. Смотрите Ожидаемую Стоимость.

Примеры

свернуть все

Прогнозы Классификации Соседей k-Nearest

Скрипт Open Live Script

Создайте соседний классификатор k-nearest для ирисовых данных Фишера, где k = 5. Оцените некоторые образцовые прогнозы на новых данных.

Загрузите ирисовый набор данных Фишера.

load fisheriris
X = meas;
Y = species;

Создайте классификатор для пяти самых близких соседей. Стандартизируйте некатегориальные данные о предикторе.

mdl = fitcknn(X,Y,'NumNeighbors',5,'Standardize',1);

Предскажите классификации для цветов с минимумом, средним значением и максимальными характеристиками.

Xnew = [min(X);mean(X);max(X)];
[label,score,cost] = predict(mdl,Xnew)

label = 3x1 cell array
    {'versicolor'}
    {'versicolor'}
    {'virginica' }

score = 3×3

    0.4000    0.6000         0
         0    1.0000         0
         0         0    1.0000

cost = 3×3

    0.6000    0.4000    1.0000
    1.0000         0    1.0000
    1.0000    1.0000         0

Вторые и третьи строки счета и матриц стоимости имеют двоичные значения, что означает, что у всех пяти самых близких соседей средних и максимальных цветочных измерений есть идентичные классификации.

Входные параметры

свернуть все

`mdl` — k - самая близкая соседняя модель классификатора
Объект `ClassificationKNN`

k-nearest граничат с моделью классификатора, заданной как объект ClassificationKNN.

`X` Данные о предикторе, которые будут классифицированы
числовая матрица | таблица

Данные о предикторе, которые будут классифицированы, заданные как числовая матрица или таблица.

Каждая строка X соответствует одному наблюдению, и каждый столбец соответствует одной переменной.

Для числовой матрицы:
- Переменные, которые составляют столбцы X, должны иметь тот же порядок, как переменные прогноза раньше обучали mdl.
- Если вы обучаете mdl с помощью таблицы (например, Tbl), то X может быть числовой матрицей, если Tbl содержит все числовые переменные прогноза. k - самая близкая соседняя классификация требует гомогенных предикторов. Поэтому, чтобы обработать все числовые предикторы в Tbl как категориальные во время обучения, установите 'CategoricalPredictors','all', когда вы обучите использование fitcknn. Если Tbl содержит неоднородные предикторы (например, типы числовых и категориальных данных), и X является числовой матрицей, то predict выдает ошибку.
Для таблицы:
- predict не поддерживает многостолбцовые переменные и массивы ячеек кроме массивов ячеек из символьных векторов.
- Если вы обучаете mdl с помощью таблицы (например, Tbl), то все переменные прогноза в X должны иметь те же имена переменных и типы данных как используемые, чтобы обучить mdl (сохраненный в mdl.PredictorNames). Однако порядок следования столбцов X не должен соответствовать порядку следования столбцов Tbl. И Tbl и X могут содержать дополнительные переменные (переменные отклика, веса наблюдения, и так далее), но predict игнорирует их.
- Если вы обучаете mdl с помощью числовой матрицы, то имена предиктора в mdl.PredictorNames и соответствующие имена переменной прогноза в X должны быть тем же самым. Чтобы задать имена предиктора во время обучения, смотрите аргумент пары "имя-значение" PredictorNames fitcknn. Все переменные прогноза в X должны быть числовыми векторами. X может содержать дополнительные переменные (переменные отклика, веса наблюдения, и так далее), но predict игнорирует их.

Если вы устанавливаете 'Standardize',true в fitcknn обучать mdl, то программное обеспечение стандартизирует столбцы X с помощью соответствующих средних значений в mdl.Mu и стандартных отклонений в mdl.Sigma.

Типы данных: double | single | table

Выходные аргументы

свернуть все

`метка` Предсказанные метки класса
категориальный массив | символьный массив | логический вектор | вектор числовых значений | массив ячеек из символьных векторов

Предсказанный класс маркирует для наблюдений (строки) в X, возвращенном как категориальный массив, символьный массив, логический вектор, вектор числовых значений или массив ячеек из символьных векторов. label имеет длину, равную количеству строк в X. Метка является классом с минимальной ожидаемой стоимостью. Смотрите Предсказанную Метку Класса.

`score` — Предсказанные очки класса или апостериорные вероятности
числовая матрица

Предсказанные очки класса или апостериорные вероятности, возвращенные как числовая матрица размера n-by-K. n является количеством наблюдений (строки) в X, и K является количеством классов (в mdl.ClassNames). score(i,j) является апостериорной вероятностью, что наблюдение i в X имеет класс j в mdl.ClassNames. Смотрите Апостериорную вероятность.

Типы данных: single | double

`cost` — Ожидаемые затраты классификации
числовая матрица

Ожидаемые затраты классификации, возвращенные как числовая матрица размера n-by-K. n является количеством наблюдений (строки) в X, и K является количеством классов (в mdl.ClassNames). cost(i,j) является стоимостью классификации строки i X как класс j в mdl.ClassNames. Смотрите Ожидаемую Стоимость.

Типы данных: single | double

Алгоритмы

свернуть все

Предсказанная метка класса

predict классифицирует путем минимизации ожидаемой стоимости классификации:

$\hat{y} = \underset{y = 1, ..., K}{аргумент \min} \sum_{j = 1}^{K} \hat{P} (j | x) C (y | j),$

где

$\hat{y}$ предсказанная классификация.
K является количеством классов.
$\hat{P} (j | x)$ апостериорная вероятность класса j для наблюдения x.
$C (y | j)$ стоимость классификации наблюдения как y, когда его истинным классом является j.

Апостериорная вероятность

Считайте вектор (точка единого запроса) xnew и моделью mdl.

k является количеством самых близких соседей, используемых в прогнозе, mdl.NumNeighbors.
nbd(mdl,xnew) задает k самые близкие соседи xnew в mdl.X.
Y(nbd) задает классификации точек в nbd(mdl,xnew), а именно, mdl.Y(nbd).
W(nbd) задает веса точек в nbd(mdl,xnew).
prior задает уголовное прошлое классов в mdl.Y.

Если модель содержит вектор априорных вероятностей, то веса наблюдения W нормированы классом, чтобы суммировать к уголовному прошлому. Этот процесс может включить вычисление для точки xnew, потому что веса могут зависеть от расстояния от xnew до точек в mdl.X.

Апостериорная вероятность p (j |xnew)

$p (j | x новый) = \frac{\sum_{i \in nbd} W (i) 1_{Y (X (i)) = j}}{\sum_{i \in nbd} W (i)} .$

Здесь, $1_{Y (X (i)) = j}$ 1 когда mdl.Y(i) = j и 0 в противном случае.

Истинная стоимость Misclassification

Два затрат сопоставлены с классификацией KNN: истинная стоимость misclassification в классе и ожидаемом misclassification стоится на наблюдение.

Можно установить истинную стоимость misclassification в классе при помощи аргумента пары "имя-значение" 'Cost', когда вы запускаете fitcknn. Cost(i,j) значения является стоимостью классификации наблюдения в класс j, если его истинным классом является i. По умолчанию, Cost(i,j) = 1, если i ~= j и Cost(i,j) = 0, если i = j. Другими словами, стоимостью является 0 для правильной классификации и 1 для неправильной классификации.

Ожидаемая стоимость

Два затрат сопоставлены с классификацией KNN: истинная стоимость misclassification в классе и ожидаемом misclassification стоится на наблюдение. Третий вывод predict является ожидаемой стоимостью misclassification на наблюдение.

Предположим, что у вас есть наблюдения Nobs, что вы хотите классифицировать с обученным классификатором mdl, и у вас есть классы K. Вы помещаете наблюдения в матричный Xnew с одним наблюдением на строку. Команда

[label,score,cost] = predict(mdl,Xnew)

возвращает матричный cost размера Nobs-by-K, среди других выходных параметров. Каждая строка матрицы cost содержит ожидаемую (среднюю) стоимость классификации наблюдения в каждый из классов K. cost(n,j)

$\sum_{i = 1}^{K} \hat{P} (i | X n e w (n)) C (j | i),$

где

K является количеством классов.
$\hat{P} (i | X n e w (n))$ апостериорная вероятность класса i для наблюдения Xnew (n).
$C (j | i)$ истинная misclassification стоимость классификации наблюдения как j, когда его истинным классом является i.

Расширенные возможности

"Высокие" массивы
Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Эта функция полностью поддерживает "высокие" массивы. Для получения дополнительной информации смотрите Длинные массивы (MATLAB).

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Указания и ограничения по применению:

Используйте saveCompactModel, loadCompactModel и codegen, чтобы сгенерировать код для функции predict. Сохраните обученную модель при помощи saveCompactModel. Задайте функцию точки входа, которая загружает сохраненную модель при помощи loadCompactModel и вызывает функцию predict. Затем используйте codegen, чтобы сгенерировать код для функции точки входа.

Эта таблица содержит примечания об аргументах predict. Аргументы, не включенные в эту таблицу, полностью поддержаны.

Аргумент Примечания и ограничения

Аргумент	Примечания и ограничения
`mdl`	Объект модели `ClassificationKNN` является полным объектом, который не имеет соответствующего компактного объекта. Для этой модели `saveCompactModel` сохраняет компактную версию, которая не включает свойства гипероптимизации параметров управления. Если `mdl` является обученным использованием модели kd-алгоритма-поиска-по-дереву, и типом сборки генерации кода является MEX-функция, то `codegen` генерирует MEX-функцию с помощью Intel^® Threading Building Blocks (TBB) для параллельного вычисления. В противном случае `codegen` генерирует код с помощью `parfor`. MEX-функция для kd-алгоритма-поиска-по-дереву — `codegen` генерирует оптимизированное использование MEX-функции Intel TBB для параллельного вычисления на многожильных платформах. Можно использовать MEX-функцию, чтобы ускорить алгоритмы MATLAB^®. Для получения дополнительной информации на Intel TBB, см. https://software.intel.com/en-us/intel-tbb. Если вы генерируете MEX-функцию, чтобы протестировать сгенерированный код версии `parfor`, можно отключить использование Intel TBB. Установите свойство `ExtrinsicCalls` объекта настройки MEX к `false`. Для получения дополнительной информации смотрите `coder.MexCodeConfig`. MEX-функция для алгоритма исчерпывающего поиска и автономного кода C/C++ для обоих алгоритмов — сгенерированный код `predict` использует `parfor`, чтобы создать циклы, которые запускают параллельно на поддерживаемой общей памяти многожильные платформы в сгенерированном коде. Если ваш компилятор не поддерживает интерфейс приложения Open Multiprocessing (OpenMP), или вы отключаете библиотеку OpenMP, MATLAB Coder™ обрабатывает `parfor` - циклы как `for` - циклы. Чтобы найти поддерживаемые компиляторы, см. Поддерживаемые Компиляторы. Чтобы отключить библиотеку OpenMP, установите свойство `EnableOpenMP` объекта настройки к `false`. Для получения дополнительной информации смотрите `coder.CodeConfig`. Для указаний и ограничений по применению объекта модели смотрите Генерацию кода объекта `ClassificationKNN`.
`X`	Должен быть матрица с двойной точностью или с одинарной точностью и может быть переменный размер. Однако количеством столбцов в `X` должен быть `numel(mdl.PredictorNames)`. Строки и столбцы должны соответствовать наблюдениям и предикторам, соответственно.

mdl

Объект модели ClassificationKNN является полным объектом, который не имеет соответствующего компактного объекта. Для этой модели saveCompactModel сохраняет компактную версию, которая не включает свойства гипероптимизации параметров управления.
Если mdl является обученным использованием модели kd-алгоритма-поиска-по-дереву, и типом сборки генерации кода является MEX-функция, то codegen генерирует MEX-функцию с помощью Intel^® Threading Building Blocks (TBB) для параллельного вычисления. В противном случае codegen генерирует код с помощью parfor.
- MEX-функция для kd-алгоритма-поиска-по-дереву — codegen генерирует оптимизированное использование MEX-функции Intel TBB для параллельного вычисления на многожильных платформах. Можно использовать MEX-функцию, чтобы ускорить алгоритмы MATLAB^®. Для получения дополнительной информации на Intel TBB, см. https://software.intel.com/en-us/intel-tbb.
  Если вы генерируете MEX-функцию, чтобы протестировать сгенерированный код версии parfor, можно отключить использование Intel TBB. Установите свойство ExtrinsicCalls объекта настройки MEX к false. Для получения дополнительной информации смотрите coder.MexCodeConfig.
- MEX-функция для алгоритма исчерпывающего поиска и автономного кода C/C++ для обоих алгоритмов — сгенерированный код predict использует parfor, чтобы создать циклы, которые запускают параллельно на поддерживаемой общей памяти многожильные платформы в сгенерированном коде. Если ваш компилятор не поддерживает интерфейс приложения Open Multiprocessing (OpenMP), или вы отключаете библиотеку OpenMP, MATLAB Coder™ обрабатывает parfor - циклы как for - циклы. Чтобы найти поддерживаемые компиляторы, см. Поддерживаемые Компиляторы. Чтобы отключить библиотеку OpenMP, установите свойство EnableOpenMP объекта настройки к false. Для получения дополнительной информации смотрите coder.CodeConfig.
Для указаний и ограничений по применению объекта модели смотрите Генерацию кода объекта ClassificationKNN.

X

Должен быть матрица с двойной точностью или с одинарной точностью и может быть переменный размер. Однако количеством столбцов в X должен быть numel(mdl.PredictorNames).
Строки и столбцы должны соответствовать наблюдениям и предикторам, соответственно.

Для получения дополнительной информации смотрите Введение в Генерацию кода.

Смотрите также

ClassificationKNN | fitcknn

Документация

предсказать

Синтаксис

Описание

Примеры

Прогнозы Классификации Соседей k-Nearest

Входные параметры

`mdl` — k - самая близкая соседняя модель классификатора
Объект `ClassificationKNN`

`X` Данные о предикторе, которые будут классифицированы
числовая матрица | таблица

Выходные аргументы

`метка` Предсказанные метки класса
категориальный массив | символьный массив | логический вектор | вектор числовых значений | массив ячеек из символьных векторов

`score` — Предсказанные очки класса или апостериорные вероятности
числовая матрица

`cost` — Ожидаемые затраты классификации
числовая матрица

Алгоритмы

Предсказанная метка класса

Апостериорная вероятность

Истинная стоимость Misclassification

Ожидаемая стоимость

Расширенные возможности

"Высокие" массивы
Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

Темы

Представленный в R2012a

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

предсказать

Синтаксис

Описание

Примеры

Прогнозы Классификации Соседей k-Nearest

Входные параметры

mdl — k - самая близкая соседняя модель классификатора Объект ClassificationKNN

X Данные о предикторе, которые будут классифицированы числовая матрица | таблица

Выходные аргументы

метка Предсказанные метки класса категориальный массив | символьный массив | логический вектор | вектор числовых значений | массив ячеек из символьных векторов

score — Предсказанные очки класса или апостериорные вероятности числовая матрица

cost — Ожидаемые затраты классификации числовая матрица

Алгоритмы

Предсказанная метка класса

Апостериорная вероятность

Истинная стоимость Misclassification

Ожидаемая стоимость

Расширенные возможности

"Высокие" массивы Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Генерация кода C/C++ Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

Темы

Представленный в R2012a

Документация Statistics and Machine Learning Toolbox

Поддержка

`mdl` — k - самая близкая соседняя модель классификатора
Объект `ClassificationKNN`

`X` Данные о предикторе, которые будут классифицированы
числовая матрица | таблица

`метка` Предсказанные метки класса
категориальный массив | символьный массив | логический вектор | вектор числовых значений | массив ячеек из символьных векторов

`score` — Предсказанные очки класса или апостериорные вероятности
числовая матрица

`cost` — Ожидаемые затраты классификации
числовая матрица

"Высокие" массивы
Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.