kfoldPredict

Предскажите ответ для наблюдений, не используемых для обучения

Синтаксис

label = kfoldPredict(obj) [label,score] = kfoldPredict(obj) [label,score,cost] = kfoldPredict(obj)

Описание

label = kfoldPredict(obj) возвращает метки класса, предсказанные obj, перекрестной подтвержденной классификацией. Для каждого сгиба kfoldPredict предсказывает, что метки класса для окутывают наблюдения с помощью модели, обученной на наблюдениях из сгиба.

[label,score] = kfoldPredict(obj) возвращается предсказанная музыка классификации к окутывает наблюдения с помощью модели, обученной на наблюдениях из сгиба.

[label,score,cost] = kfoldPredict(obj) возвращает затраты misclassification.

Входные параметры

obj

Объект класса ClassificationPartitionedModel или ClassificationPartitionedEnsemble.

Выходные аргументы

`label`	Вектор меток класса того же типа как данные об ответе используется в учебном `obj`. (Программное обеспечение обрабатывает строковые массивы как массивы ячеек из символьных векторов.) Каждая запись `label` соответствует предсказанной метке класса для соответствующей строки `X`.
`score`	Числовая матрица размера `N`-by-`K`, где `N` является количеством наблюдений (строки) в `obj` `.X` и `K`, является количеством классов (в `obj.ClassNames`). `score(i,j)` представляет уверенность, что строка `i` `obj` `.X` имеет класс `j`. Для получения дополнительной информации см. Определения.
`cost`	Числовая матрица misclassification затрат на размер `N`-by-`K`. `cost(i,j)` является средним значением misclassification стоимость предсказания, что строка `i` `obj` `.X` имеет класс `j`.

Примеры

развернуть все

Оцените прогнозы перекрестной проверки от ансамбля

Скрипт Open Live Script

Найдите прогнозы перекрестной проверки для основанного на модели на ирисовых данных Фишера.

Загрузите ирисовый набор данных Фишера.

load fisheriris

Обучите ансамбль деревьев классификации с помощью AdaBoostM2. Задайте пни как слабых учеников.

rng(1); % For reproducibility
t = templateTree('MaxNumSplits',1);
Mdl = fitcensemble(meas,species,'Method','AdaBoostM2','Learners',t);

Крест подтверждает обученный ансамбль, использующий 10-кратную перекрестную проверку.

CVMdl = crossval(Mdl);

Оцените, что перекрестная проверка предсказала метки и очки.

[elabel,escore] = kfoldPredict(CVMdl);

Отобразите максимальное и минимальное множество каждого класса.

max(escore)

ans = 1×3

    9.3862    8.9871   10.1866

min(escore)

ans = 1×3

    0.0018    3.8359    0.9573

Больше о

развернуть все

Стойте (дискриминантный анализ)

average misclassification cost является средним значением misclassification стоимость для прогнозов, сделанных перекрестными подтвержденными классификаторами, обученными на наблюдениях из сгиба. Матрица ожидаемых затрат на наблюдение задана в Стоимости.

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