поле

Поля классификации для наивных классификаторов Байеса

Синтаксис

m = margin(Mdl,tbl,ResponseVarName)

m = margin(Mdl,tbl,Y)

m = margin(Mdl,X,Y)

Описание

m = margin(Mdl,tbl,ResponseVarName) возвращает поля классификации (m) для обученного наивного классификатора Байеса Mdl с помощью данных о предикторе в таблице tbl и меток класса в tbl.ResponseVarName.

m = margin(Mdl,tbl,Y) возвращает поля классификации (m) для обученного наивного классификатора Байеса Mdl с помощью данных о предикторе в таблице tbl и меток класса в векторном Y.

пример

m = margin(Mdl,X,Y) возвращает поля классификации (m) для обученного наивного классификатора Байеса Mdl с помощью данных о предикторе, которые X и класс маркируют Y.

Входные параметры

развернуть все

`Mdl` — Наивный классификатор Байеса
Модель `ClassificationNaiveBayes` | модель `CompactClassificationNaiveBayes`

Наивный классификатор Байеса, заданный как модель ClassificationNaiveBayes или модель CompactClassificationNaiveBayes, возвращенная fitcnb или compact, соответственно.

`tbl` Выборочные данные
таблица

Выборочные данные, заданные как таблица. Каждая строка tbl соответствует одному наблюдению, и каждый столбец соответствует одной переменной прогноза. Опционально, tbl может содержать дополнительные столбцы для весов наблюдения и переменной отклика. tbl должен содержать все предикторы, используемые, чтобы обучить Mdl. Многостолбцовые переменные и массивы ячеек кроме массивов ячеек из символьных векторов не позволены.

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

Типы данных: table

`ResponseVarName` — Имя переменной отклика
имя переменной в `tbl`

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.

Переменная отклика должна быть категориальным, символом, или массивом строк, логическим или числовым вектором или массивом ячеек из символьных векторов. Если переменная отклика является символьным массивом, то каждый элемент должен соответствовать одной строке массива.

Типы данных: char | string

`X` Данные о предикторе
числовая матрица

Данные о предикторе, заданные как числовая матрица.

Каждая строка X соответствует одному наблюдению (также известный как экземпляр или пример), и каждый столбец соответствует одной переменной (также известный как функцию). Переменные, составляющие столбцы X, должны совпасть с переменными, которые обучили Mdl.

Длина Y и количество строк X должны быть равными.

Типы данных: double | single

`Y` Метки класса
категориальный массив | символьный массив | массив строк | логический вектор | вектор числовых значений | массив ячеек из символьных векторов

Метки класса, заданные как категориальное, символ, или массив строк, логический или числовой вектор или массив ячеек из символьных векторов. Y должен совпасть с типом данных Mdl.ClassNames. (Программное обеспечение обрабатывает строковые массивы как массивы ячеек из символьных векторов.)

Длина Y и количество строк tbl или X должны быть равными.

Выходные аргументы

развернуть все

`m` Поля классификации
числовой вектор

Поля классификации, возвращенные как числовой вектор.

m имеет ту же длину, равную size(X,1). Каждая запись m является полем классификации соответствующего наблюдения (строка) X и элемент Y.

Примеры

развернуть все

Оцените демонстрационные тестом поля классификации наивных классификаторов Байеса

Скрипт Open Live Script

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.

Выберите Naive Bayes Classifier Features by Examining Test Sample Margins

Скрипт Open Live Script

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.

Больше о

развернуть все

Ребро классификации

classification edge является взвешенным средним полей классификации.

Если вы предоставляете веса, то программное обеспечение нормирует их, чтобы суммировать к априорной вероятности их соответствующего класса. Программное обеспечение использует нормированные веса, чтобы вычислить взвешенное среднее.

Один способ выбрать среди нескольких классификаторов, например, выполнить выбор функции, состоит в том, чтобы выбрать классификатор, который приводит к самому высокому ребру.

Поле классификации

classification margins, для каждого наблюдения, различия между счетом к истинному классу и максимальным счетом к ложным классам. При условии, что они находятся в той же шкале, поля служат мерой по уверенности классификации, т.е. среди нескольких классификаторов, те, которые уступают, большие поля лучше.

Апостериорная вероятность

posterior probability является вероятностью, что наблюдение принадлежит конкретного класса, учитывая данные.

Для наивного Бейеса апостериорная вероятность, что классификацией является k для данного наблюдения (x ₁..., _xP)

$\hat{P} (Y = k | x_{1}, .., x_{P}) = \frac{P (X_{1}, ..., X_{P} | y = k) π (Y = k)}{P (X_{1}, ..., X_{P})},$

где:

$P (X_{1}, ..., X_{P} | y = k)$ условная объединенная плотность предикторов, учитывая, они находятся в классе k. Mdl.DistributionNames хранит имена распределения предикторов.
π (Y = k) является распределением априорной вероятности класса. Mdl.Prior хранит предшествующее распределение.
$P (X_{1}, .., X_{P})$ объединенная плотность предикторов. Классы дискретны, таким образом, $P (X_{1}, ..., X_{P}) = \sum_{k = 1}^{K} P (X_{1}, ..., X_{P} | y = k) π (Y = k) .$

Априорная вероятность

prior probability класса является относительной частотой, которой верят, с которой наблюдения от того класса происходят в генеральной совокупности.

Счет

Наивный Байесов score является апостериорной вероятностью класса, учитывая наблюдение.

Расширенные возможности

"Высокие" массивы
Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Эта функция полностью поддерживает "высокие" массивы. Для получения дополнительной информации смотрите Длинные массивы (MATLAB).

Темы

Наивная байесова классификация

Документация

поле

Синтаксис

Описание

Входные параметры

`Mdl` — Наивный классификатор Байеса
Модель `ClassificationNaiveBayes` | модель `CompactClassificationNaiveBayes`

`tbl` Выборочные данные
таблица

`ResponseVarName` — Имя переменной отклика
имя переменной в `tbl`

`X` Данные о предикторе
числовая матрица

`Y` Метки класса
категориальный массив | символьный массив | массив строк | логический вектор | вектор числовых значений | массив ячеек из символьных векторов

Выходные аргументы

`m` Поля классификации
числовой вектор

Примеры

Оцените демонстрационные тестом поля классификации наивных классификаторов Байеса

Выберите Naive Bayes Classifier Features by Examining Test Sample Margins

Больше о

Ребро классификации

Поле классификации

Апостериорная вероятность

Априорная вероятность

Счет

Расширенные возможности

"Высокие" массивы
Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Смотрите также

Темы

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

поле

Синтаксис

Описание

Входные параметры

Mdl — Наивный классификатор Байеса Модель ClassificationNaiveBayes | модель CompactClassificationNaiveBayes

tbl Выборочные данные таблица

ResponseVarName — Имя переменной отклика имя переменной в tbl

X Данные о предикторе числовая матрица

Y Метки класса категориальный массив | символьный массив | массив строк | логический вектор | вектор числовых значений | массив ячеек из символьных векторов

Выходные аргументы

m Поля классификации числовой вектор

Примеры

Оцените демонстрационные тестом поля классификации наивных классификаторов Байеса

Выберите Naive Bayes Classifier Features by Examining Test Sample Margins

Больше о

Ребро классификации

Поле классификации

Апостериорная вероятность

Априорная вероятность

Счет

Расширенные возможности

"Высокие" массивы Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Смотрите также

Темы

Документация Statistics and Machine Learning Toolbox

Поддержка

`Mdl` — Наивный классификатор Байеса
Модель `ClassificationNaiveBayes` | модель `CompactClassificationNaiveBayes`

`tbl` Выборочные данные
таблица

`ResponseVarName` — Имя переменной отклика
имя переменной в `tbl`

`X` Данные о предикторе
числовая матрица

`Y` Метки класса
категориальный массив | символьный массив | массив строк | логический вектор | вектор числовых значений | массив ячеек из символьных векторов

`m` Поля классификации
числовой вектор

"Высокие" массивы
Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.