Поля классификации для наивных классификаторов Байеса
m = margin(Mdl,tbl,ResponseVarName)m = margin(Mdl,tbl,Y)m = margin(Mdl,X,Y)m = margin(Mdl,tbl,ResponseVarName)m) для обученного наивного классификатора Байеса Mdl с помощью данных о предикторе в таблице tbl и меток класса в tbl.ResponseVarName.
Загрузите ирисовый набор данных Фишера.
load fisheriris X = meas; % Predictors Y = species; % Response rng(1);
Обучите наивный классификатор Байеса. Задайте 30%-ю выборку затяжки для тестирования. Это - хорошая практика, чтобы задать порядок класса. Примите, что каждый предиктор условно нормально распределен, учитывая свою метку.
CVMdl = fitcnb(X,Y,'Holdout',0.30,... 'ClassNames',{'setosa','versicolor','virginica'}); CMdl = CVMdl.Trained{1}; ... % Extract the trained, compact classifier testInds = test(CVMdl.Partition); % Extract the test indices XTest = X(testInds,:); YTest = Y(testInds);
CVMdl является классификатором ClassificationPartitionedModel. Это содержит свойство Trained, которое является массивом ячеек 1 на 1, содержащим классификатор CompactClassificationNaiveBayes, что программное обеспечение обучило использование набора обучающих данных.
Оцените тестовые поля классификации выборок. Отобразите распределение полей с помощью коробчатой диаграммы.
m = margin(CMdl,XTest,YTest);
figure;
boxplot(m);
title 'Distribution of the Test-Sample Margins';
Поле наблюдения является наблюдаемым истинным счетом класса минус максимальный ложный счет класса среди всех очков в соответствующем классе. Классификаторы, которые приводят к относительно большим полям, желательны.
Мера по полям классификатора, для каждого наблюдения, различие между истинным классом наблюдало счет и максимальный ложный счет класса к конкретному классу. Один способ выполнить выбор функции состоит в том, чтобы сравнить тестовые демонстрационные поля от многоуровневых моделей. Базирующийся только на этом критерии, модель с самыми высокими полями является лучшей моделью.
Загрузите ирисовый набор данных Фишера.
load fisheriris X = meas; % Predictors Y = species; % Response rng(1);
Разделите набор данных в наборы обучающих данных и наборы тестов. Задайте 30%-ю выборку затяжки для тестирования.
Partition = cvpartition(Y,'Holdout',0.30); testInds = test(Partition); % Indices for the test set XTest = X(testInds,:); YTest = Y(testInds);
Раздел задает раздел набора данных.
Задайте эти два набора данных:
fullX содержит все предикторы.
partX содержит последние 2 предиктора.
fullX = X; partX = X(:,3:4);
Обучите наивные классификаторы Байеса каждому набору предиктора. Задайте определение раздела.
FCVMdl = fitcnb(fullX,Y,'CVPartition',Partition); PCVMdl = fitcnb(partX,Y,'CVPartition',Partition); FCMdl = FCVMdl.Trained{1}; PCMdl = PCVMdl.Trained{1};
FullCVMdl и PartCVMdl являются классификаторами ClassificationPartitionedModel. Они содержат свойство Trained, которое является массивом ячеек 1 на 1, содержащим классификатор CompactClassificationNaiveBayes, что программное обеспечение обучило использование набора обучающих данных.
Оцените тестовые демонстрационные поля для каждого классификатора. Отобразите дистрибутивы полей для каждой модели с помощью коробчатых диаграмм.
fullM = margin(FCMdl,XTest,YTest); partM = margin(PCMdl,XTest(:,3:4),YTest); figure; boxplot([fullM partM],'Labels',{'All Predictors','Two Predictors'}) h = gca; h.YLim = [0.98 1.01]; % Modify axis to see boxes. title 'Boxplots of Test-Sample Margins';
Поля имеют подобное распределение, но PCMdl является менее комплексным.
ClassificationNaiveBayes | CompactClassificationNaiveBayes | edge | fitcnb | loss | predict