ребро

Ребро классификации

Синтаксис

E = edge(tree,TBL,ResponseVarName)

E = edge(tree,X,Y)

E = edge(___,Name,Value)

Описание

E = edge(tree,TBL,ResponseVarName) возвращает ребро классификации для tree с данными TBL и классификация TBL.ResponseVarName.

E = edge(tree,X,Y) возвращает ребро классификации для tree с данными X и классификация Y.

E = edge(___,Name,Value) вычисляет ребро с дополнительными опциями, заданными одним или несколькими аргументами пары Name,Value, с помощью любого из предыдущих синтаксисов. Например, можно задать веса наблюдения.

Входные параметры

развернуть все

`tree` — Обученное дерево классификации
Объект модели `ClassificationTree` | объект модели `CompactClassificationTree`

Обученное дерево классификации, заданное как ClassificationTree или объект модели CompactClassificationTree. Таким образом, tree является обученной моделью классификации, возвращенной fitctree или compact.

`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 tree. Многостолбцовые переменные и массивы ячеек кроме массивов ячеек из символьных векторов не позволены.

Если TBL содержит переменную отклика, используемую, чтобы обучить tree, то вы не должны задавать ResponseVarName или Y.

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

Типы данных: table

`X` Данные, чтобы классифицировать
числовая матрица

Данные, чтобы классифицировать, заданный как числовая матрица. Каждая строка X представляет одно наблюдение, и каждый столбец представляет один предиктор. X должен иметь одинаковое число столбцов, когда данные раньше обучали tree. X должен иметь одинаковое число строк как число элементов в Y.

Типы данных: single | double

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

Имя переменной отклика, заданное как имя переменной в TBL. Если TBL содержит переменную отклика, используемую, чтобы обучить tree, то вы не должны задавать ResponseVarName.

Если вы задаете ResponseVarName, то необходимо сделать так как вектор символов или представить скаляр в виде строки. Например, если переменная отклика хранится как TBL.Response, то задайте его как 'Response'. В противном случае программное обеспечение обрабатывает все столбцы TBL, включая TBL.ResponseVarName, как предикторы.

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

`Y` Метки класса
категориальный массив | символьный массив | массив строк | логический вектор | числовой вектор | 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 иметь тот же тип как классификация, используемая, чтобы обучить tree, и его число элементов должно равняться количеству строк 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.

`'Weights'` — Веса наблюдения
`ones(size(X,1),1)` (значение по умолчанию) | имя переменной в `TBL` | числовой вектор

Веса наблюдения, заданные как пара, разделенная запятой, состоящая из 'Weights' и числового вектора или имени переменной в TBL.

Если вы задаете Weights как числовой вектор, то размер Weights должен быть равен количеству строк в X или TBL.

Если вы задаете Weights как имя переменной в TBL, необходимо сделать так как вектор символов или представить скаляр в виде строки. Например, если веса хранятся как TBL.W, то задают его как 'W'. В противном случае программное обеспечение обрабатывает все столбцы TBL, включая TBL.W, как предикторы.

Если вы предоставляете веса, edge вычисляет взвешенное ребро классификации. Программное обеспечение взвешивает наблюдения в каждой строке X или TBL с соответствующим весом в Weights.

Типы данных: single | double | char | string

Выходные аргументы

развернуть все

`E` Ребро классификации
скалярное значение

Ребро классификации, возвращенное как скаляр, представляющий средневзвешенное значение поля.

Примеры

Вычислите поле классификации и ребро для ирисовых данных Фишера, обученных на его первых двух столбцах данных, и просмотрите последние 10 записей:

load fisheriris
X = meas(:,1:2);
tree = fitctree(X,species);
E = edge(tree,X,species)

E =
    0.6299

M = margin(tree,X,species);
M(end-10:end)

Дерево классификации, обученное на всех данных, лучше.

tree = fitctree(meas,species);
E = edge(tree,meas,species)

E =
    0.9384

M = margin(tree,meas,species);
M(end-10:end)

Больше о

развернуть все

Поле

Классификация margin является различием между классификацией score для истинного класса и максимальным счетом классификации к ложным классам. Поле является вектор-столбцом с одинаковым числом строк как матричный X.

Счет (дерево)

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.

Ребро

edge является значением взвешенного среднего поля классификации. Веса являются вероятностями класса в tree .Prior. Если вы предоставляете веса в паре "имя-значение" weights, те веса нормированы, чтобы суммировать к априорным вероятностям в соответствующих классах и затем используются, чтобы вычислить взвешенное среднее.

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).

Документация

ребро

Синтаксис

Описание

Входные параметры

`tree` — Обученное дерево классификации
Объект модели `ClassificationTree` | объект модели `CompactClassificationTree`

`Tbl` Выборочные данные
таблица

`X` Данные, чтобы классифицировать
числовая матрица

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

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

Аргументы в виде пар имя-значение

`'Weights'` — Веса наблюдения
`ones(size(X,1),1)` (значение по умолчанию) | имя переменной в `TBL` | числовой вектор

Выходные аргументы

`E` Ребро классификации
скалярное значение

Примеры

Больше о

Поле

Счет (дерево)

Ребро

Расширенные возможности

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

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

ребро

Синтаксис

Описание

Входные параметры

tree — Обученное дерево классификации Объект модели ClassificationTree | объект модели CompactClassificationTree

Tbl Выборочные данные таблица

X Данные, чтобы классифицировать числовая матрица

ResponseVarName — Имя переменной отклика имя переменной в TBL

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

Аргументы в виде пар имя-значение

'Weights' — Веса наблюдения ones(size(X,1),1) (значение по умолчанию) | имя переменной в TBL | числовой вектор

Выходные аргументы

E Ребро классификации скалярное значение

Примеры

Больше о

Поле

Счет (дерево)

Ребро

Расширенные возможности

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

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

`tree` — Обученное дерево классификации
Объект модели `ClassificationTree` | объект модели `CompactClassificationTree`

`Tbl` Выборочные данные
таблица

`X` Данные, чтобы классифицировать
числовая матрица

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

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

`'Weights'` — Веса наблюдения
`ones(size(X,1),1)` (значение по умолчанию) | имя переменной в `TBL` | числовой вектор

`E` Ребро классификации
скалярное значение

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