resubEdge

Ребро классификации для наивных классификаторов Байеса перезаменой

Синтаксис

e = resubEdge(Mdl)

Описание

e = resubEdge(Mdl) возвращает ребро классификации перезамены (e) для наивного классификатора Байеса Mdl с помощью данных тренировки, хранимых в Mdl.X и соответствующих метках класса, сохраненных в Mdl.Y.

Входные параметры

развернуть все

`Mdl` — Полностью обученный наивный классификатор Байеса
Модель `ClassificationNaiveBayes`

Полностью обученный наивный классификатор Байеса, заданный как модель ClassificationNaiveBayes, обученная fitcnb.

Выходные аргументы

развернуть все

`e` Ребро классификации
скаляр

Ребро классификации, возвращенное как скаляр. Если вы передали в весах, когда обучение классификатор, то e является взвешенным ребром классификации. Программное обеспечение нормирует веса так, чтобы они суммировали к априорной вероятности их соответствующего класса.

Примеры

развернуть все

Оцените ребро перезамены наивных классификаторов Байеса

Скрипт Open Live Script

Загрузите ирисовый набор данных Фишера.

load fisheriris
X = meas;    % Predictors
Y = species; % Response
rng(1);

Обучите наивный классификатор Байеса. Это - хорошая практика, чтобы задать порядок класса. Примите, что каждый предиктор условно, нормально распределен, учитывая свою метку.

Mdl = fitcnb(X,Y,'ClassNames',{'setosa','versicolor','virginica'});

Mdl является обученным классификатором ClassificationNaiveBayes.

Оцените ребро перезамены.

e = resubEdge(Mdl)

e = 0.8944

Средним значением учебных демонстрационных полей является приблизительно 0.9, который указывает, что классификатор классифицирует наблюдения в выборке с высокой уверенностью.

Выберите Naive Bayes Classifier Features by Comparing In-Sample Edges

Скрипт Open Live Script

Ребро классификатора измеряет среднее значение полей классификатора. Один способ выполнить выбор функции состоит в том, чтобы сравнить учебные демонстрационные ребра от многоуровневых моделей. Базирующийся только на этом критерии, классификатор с самым высоким ребром является лучшим классификатором.

Загрузите ирисовый набор данных Фишера. Задайте два набора данных:

fullX содержит все предикторы.
partX содержит последние два предиктора.

load fisheriris
X = meas;    % Predictors
Y = species; % Response
fullX = X;
partX = X(:,3:4);

Обучите наивные классификаторы Байеса каждому набору предиктора.

FullMdl = fitcnb(fullX,Y);
PartMdl = fitcnb(partX,Y);

Оцените учебное демонстрационное ребро для каждого классификатора.

fullEdge = resubEdge(FullMdl)

fullEdge = 0.8944

partEdge = resubEdge(PartMdl)

partEdge = 0.9169

Ребро для классификатора, обученного на предикторах 3 и 4, больше, предполагая, что классификатор обучил использование, только те предикторы имеют лучшую подгонку в выборке.

Больше о

развернуть все

Ребро классификации

classification edge является взвешенным средним полей классификации.

Если вы предоставляете веса, то программное обеспечение нормирует их, чтобы суммировать к априорной вероятности их соответствующего класса. Программное обеспечение использует нормированные веса, чтобы вычислить взвешенное среднее.

Один способ выбрать среди нескольких классификаторов, например, выполнить выбор функции, состоит в том, чтобы выбрать классификатор, который приводит к самому высокому ребру.

Поля классификации

classification margins, для каждого наблюдения, различия между счетом к истинному классу и максимальным счетом к ложным классам. При условии, что они находятся в той же шкале, поля служат мерой по уверенности классификации, т.е. среди нескольких классификаторов, те, которые уступают, большие поля лучше.

Апостериорная вероятность

posterior probability является вероятностью, что наблюдение принадлежит конкретного класса, учитывая данные.

Для наивного Бейеса апостериорная вероятность, что классификацией является k для данного наблюдения (x ₁..., _xP)

$\hat{P} (Y = k | x_{1}, .., x_{P}) = \frac{P (X_{1}, ..., X_{P} | y = k) π (Y = k)}{P (X_{1}, ..., X_{P})},$

где:

$P (X_{1}, ..., X_{P} | y = k)$ условная объединенная плотность предикторов, учитывая, они находятся в классе k. Mdl.DistributionNames хранит имена распределения предикторов.
π (Y = k) является распределением априорной вероятности класса. Mdl.Prior хранит предшествующее распределение.
$P (X_{1}, .., X_{P})$ объединенная плотность предикторов. Классы дискретны, таким образом, $P (X_{1}, ..., X_{P}) = \sum_{k = 1}^{K} P (X_{1}, ..., X_{P} | y = k) π (Y = k) .$

Априорная вероятность

prior probability класса является относительной частотой, которой верят, с которой наблюдения от того класса происходят в генеральной совокупности.

Счет

Наивный Байесов score является апостериорной вероятностью класса, учитывая наблюдение.

Темы

Наивная байесова классификация

Документация

resubEdge

Синтаксис

Описание

Входные параметры

`Mdl` — Полностью обученный наивный классификатор Байеса
Модель `ClassificationNaiveBayes`

Выходные аргументы

`e` Ребро классификации
скаляр

Примеры

Оцените ребро перезамены наивных классификаторов Байеса

Выберите Naive Bayes Classifier Features by Comparing In-Sample Edges

Больше о

Ребро классификации

Поля классификации

Апостериорная вероятность

Априорная вероятность

Счет

Смотрите также

Темы

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

resubEdge

Синтаксис

Описание

Входные параметры

Mdl — Полностью обученный наивный классификатор Байеса Модель ClassificationNaiveBayes

Выходные аргументы

e Ребро классификации скаляр

Примеры

Оцените ребро перезамены наивных классификаторов Байеса

Выберите Naive Bayes Classifier Features by Comparing In-Sample Edges

Больше о

Ребро классификации

Поля классификации

Апостериорная вероятность

Априорная вероятность

Счет

Смотрите также

Темы

Документация Statistics and Machine Learning Toolbox

Поддержка

`Mdl` — Полностью обученный наивный классификатор Байеса
Модель `ClassificationNaiveBayes`

`e` Ребро классификации
скаляр