kfoldMargin

Поля классификации для наблюдений, не используемых для обучения

Синтаксис

M = kfoldMargin(obj)

Описание

M = kfoldMargin(obj) возвращает поля классификации, полученные перекрестной подтвержденной моделью obj классификации. Для каждого сгиба этот метод вычисляет поля классификации для, окутывают наблюдения с помощью модели, обученной на наблюдениях из сгиба.

Входные параметры

obj

Разделенная модель классификации типа ClassificationPartitionedModel или ClassificationPartitionedEnsemble.

Выходные аргументы

`M`	Поле классификации.

Примеры

развернуть все

Оцените Поля k-сгиба Классификатора

Скрипт Open Live Script

Найдите поля k-сгиба для ансамбля, который классифицирует данные ionosphere.

Загрузите набор данных ionosphere.

load ionosphere

Создайте пень шаблона.

t = templateTree('MaxNumSplits',1);

Обучите ансамбль классификации деревьев решений. Задайте t как слабого ученика.

Mdl = fitcensemble(X,Y,'Method','AdaBoostM1','Learners',t);

Крест подтверждает классификатор с помощью 10-кратной перекрестной проверки.

cvens = crossval(Mdl);

Вычислите поля k-сгиба. Отобразите итоговую статистику для полей.

m = kfoldMargin(cvens);
marginStats = table(min(m),mean(m),max(m),...
    'VariableNames',{'Min','Mean','Max'})

marginStats=1×3 table
      Min       Mean      Max  
    _______    ______    ______

    -11.312    7.3236    23.517

Больше о

развернуть все

Поле

Классификация margin является различием между классификацией score для истинного класса и максимальным счетом классификации к ложным классам.

Поле классификации является вектор-столбцом с одинаковым числом строк как в матричном X. Высокое значение поля указывает на более надежный прогноз, чем низкая стоимость.

Счет

Для дискриминантного анализа score классификации является апостериорной вероятностью классификации. Для определения апостериорной вероятности в дискриминантном анализе смотрите Апостериорную вероятность.

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.

Для деревьев score классификации вершины является апостериорной вероятностью классификации в том узле. Апостериорная вероятность классификации в узле является количеством обучающих последовательностей, которые приводят к тому узлу с классификацией, разделенной на количество обучающих последовательностей, которые приводят к тому узлу.

Например, считайте классификацию предиктора X как true, когда X < 0.15 или X > 0.95 и X будет ложным в противном случае.

Сгенерируйте 100 случайных точек и классифицируйте их:

rng(0,'twister') % for reproducibility
X = rand(100,1);
Y = (abs(X - .55) > .4);
tree = fitctree(X,Y);
view(tree,'Mode','Graph')

Сократите дерево:

tree1 = prune(tree,'Level',1);
view(tree1,'Mode','Graph')

Сокращенное дерево правильно классифицирует наблюдения, которые являются меньше чем 0,15 как true. Это также правильно классифицирует наблюдения от.15 до.94 как false. Однако это неправильно классифицирует наблюдения, которые больше, чем.94 как false. Поэтому счет к наблюдениям, которые больше, чем.15, должен быть о.05/.85 =. 06 для true, и о.8/.85 =. 94 для false.

Вычислите музыку прогноза к первым 10 строкам X:

[~,score] = predict(tree1,X(1:10));
[score X(1:10,:)]

ans = 10×3

    0.9059    0.0941    0.8147
    0.9059    0.0941    0.9058
         0    1.0000    0.1270
    0.9059    0.0941    0.9134
    0.9059    0.0941    0.6324
         0    1.0000    0.0975
    0.9059    0.0941    0.2785
    0.9059    0.0941    0.5469
    0.9059    0.0941    0.9575
    0.9059    0.0941    0.9649

Действительно, каждое значение X (крайний правый столбец), который является меньше чем 0,15, сопоставило очки (левые и центральные столбцы) 0 и 1, в то время как другие значения X сопоставили множество 0.91 и 0.09. Различие (выигрывают 0.09 вместо ожидаемого .06) происходит из-за статистического колебания: существуют наблюдения 8 в X в области значений (.95,1) вместо ожидаемых наблюдений 5.

Документация