Загрузите ирисовый набор данных Фишера. Задайте данные о предикторе X, данные об ответе Y и порядок классов в Y.

load fisheriris
X = meas;
Y = categorical(species);
classOrder = unique(Y);
rng(1); % For reproducibility

Обучите и перекрестный подтвердите модель ECOC с помощью двоичных классификаторов машины вектора поддержки (SVM). Стандартизируйте данные о предикторе с помощью шаблона SVM и задайте порядок класса.

t = templateSVM('Standardize',1);
CVMdl = fitcecoc(X,Y,'CrossVal','on','Learners',t,'ClassNames',classOrder);

CVMdl является моделью ClassificationPartitionedECOC. По умолчанию программное обеспечение реализует 10-кратную перекрестную проверку. Можно задать различное количество сгибов с помощью аргумента пары "имя-значение" 'KFold'.

Оцените поля для наблюдений сгиба валидации. Отобразите распределение полей с помощью коробчатой диаграммы.

margin = kfoldMargin(CVMdl);

boxplot(margin)
title('Distribution of Margins')

Один способ выполнить выбор функции состоит в том, чтобы сравнить поля перекрестной проверки от многоуровневых моделей. Базирующийся только на этом критерии, классификатор с самыми большими полями является лучшим классификатором.

Загрузите ирисовый набор данных Фишера. Задайте данные о предикторе X, данные об ответе Y и порядок классов в Y.

load fisheriris
X = meas;
Y = categorical(species);
classOrder = unique(Y); % Class order
rng(1); % For reproducibility

Задайте следующие два набора данных.

fullX = X;
partX = X(:,3:4);

Для каждого набора предиктора обучите и перекрестный подтвердите модель ECOC с помощью двоичных классификаторов SVM. Стандартизируйте предикторы с помощью шаблона SVM и задайте порядок класса.

t = templateSVM('Standardize',1);
CVMdl = fitcecoc(fullX,Y,'CrossVal','on','Learners',t,...
    'ClassNames',classOrder);
PCVMdl = fitcecoc(partX,Y,'CrossVal','on','Learners',t,...
    'ClassNames',classOrder);

CVMdl и PCVMdl являются моделями ClassificationPartitionedECOC. По умолчанию программное обеспечение реализует 10-кратную перекрестную проверку.

Оцените поля для каждого классификатора. Используйте основанное на потере декодирование для агрегации бинарных результатов ученика. Для каждой модели отобразите распределение полей с помощью коробчатой диаграммы.

fullMargins = kfoldMargin(CVMdl,'Decoding','lossbased');
partMargins = kfoldMargin(PCVMdl,'Decoding','lossbased');

boxplot([fullMargins partMargins],'Labels',{'All Predictors','Two Predictors'})
title('Distributions of Margins')

Граничные дистрибутивы являются приблизительно тем же самым.