поле

Поля классификации

Синтаксис

M = margin(ens,tbl,ResponseVarName)
M = margin(ens,tbl,Y)
M = margin(ens,X,Y)
M = margin(___Name,Value)

Описание

M = margin(ens,tbl,ResponseVarName) возвращает поле классификации для прогнозов ens на данных tbl, когда истинными классификациями является tbl.ResponseVarName.

M = margin(ens,tbl,Y) возвращает поле классификации для прогнозов ens на данных tbl, когда истинными классификациями является Y.

M = margin(ens,X,Y) возвращает поле классификации для прогнозов ens на данных X, когда истинными классификациями является Y.

M = margin(___Name,Value) вычисляет поле с дополнительными опциями, заданными одним или несколькими аргументами пары Name,Value, с помощью любого из предыдущих синтаксисов.

Входные параметры

ens

Ансамбль классификации, созданный с fitcensemble или компактным ансамблем классификации, создается с compact.

tbl

Выборочные данные, заданные как таблица. Каждая строка tbl соответствует одному наблюдению, и каждый столбец соответствует одной переменной прогноза. tbl должен содержать все предикторы, используемые, чтобы обучить модель. Многостолбцовые переменные и массивы ячеек кроме массивов ячеек из символьных векторов не позволены.

Если бы вы обучили ens с помощью выборочных данных, содержавшихся в table, то входные данные для этого метода должны также быть в таблице.

ResponseVarName

Имя переменной отклика, заданное как имя переменной в tbl.

Необходимо задать ResponseVarName как вектор символов или представить скаляр в виде строки. Например, если переменная отклика, Y хранится как tbl.Y, то задают его как 'Y'. В противном случае программное обеспечение обрабатывает все столбцы tbl, включая Y, как предикторы когда обучение модель.

X

Матрица данных, чтобы классифицировать. Каждая строка X представляет одно наблюдение, и каждый столбец представляет один предиктор. X должен иметь одинаковое число столбцов, когда данные раньше обучали ens. X должен иметь одинаковое число строк как число элементов в Y.

Если бы вы обучили ens с помощью выборочных данных, содержавшихся в матрице, то входные данные для этого метода должны также быть в матрице.

Y

Метки класса наблюдений в tbl или X. Y должен иметь тот же тип как классификация, используемая, чтобы обучить ens, и его число элементов должно равняться количеству строк tbl или X.

Аргументы в виде пар имя-значение

Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми. Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

'learners'

Индексы слабых учеников в ансамбле в пределах от 1 к ens .NumTrained. oobEdge использует только этих учеников для вычисления потери.

Значение по умолчанию: 1:NumTrained

'UseObsForLearner'

Логическая матрица размера N-by-T, где:

  • N является количеством строк X.

  • T является количеством слабых учеников в ens.

Когда UseObsForLearner(i,j) является true, ученик, j используется в предсказании класса строки i X.

Значение по умолчанию: true(N,T)

Выходные аргументы

M

Числовой вектор-столбец с одинаковым числом строк как tbl или X. Каждая строка M дает поле классификации для той строки tbl или X.

Примеры

развернуть все

Найдите поле для классификации среднего цветка от данных fisheriris как 'versicolor'.

Загрузите ирисовый набор данных Фишера.

load fisheriris

Обучите ансамбль 100 повышенных деревьев классификации с помощью AdaBoostM2.

t = templateTree('MaxNumSplits',1); % Weak learner template tree object
ens = fitcensemble(meas,species,'Method','AdaBoostM2','Learners',t);

Классифицируйте средний цветок и найдите поле классификации.

flower = mean(meas);
predict(ens,flower)
ans = 1x1 cell array
    {'versicolor'}

margin(ens,flower,'versicolor')
ans = 3.2140

Больше о

развернуть все

Расширенные возможности

Смотрите также

| |

Для просмотра документации необходимо авторизоваться на сайте