предсказать

Предскажите метки с помощью дерева классификации

Синтаксис

label = predict(Mdl,X)

label = predict(Mdl,X,Name,Value)

[label,score,node,cnum]
= predict(___)

Описание

label = predict(Mdl,X) возвращает вектор предсказанных меток класса для данных о предикторе в таблице или матричном X, на основе обученного, полного или компактного дерева классификации Mdl.

label = predict(Mdl,X,Name,Value) дополнительные опции использования заданы одним или несколькими аргументами пары Name,Value. Например, можно задать, чтобы сократить Mdl к конкретному уровню прежде, чем предсказать метки.

[label,score,node,cnum] = predict(___) использование любой входной параметр в предыдущих синтаксисах и дополнительно возвращается:

Матрица очков классификации (score), указывающий на вероятность, что метка прибывает из конкретного класса. Для деревьев классификации очки являются апостериорными вероятностями. Для каждого наблюдения в X предсказанная метка класса соответствует ожидаемой стоимости misclassification минимума среди всех классов.
Вектор предсказанных чисел узла для классификации (node).
Вектор предсказанного классификационного индекса для классификации (cnum).

Входные параметры

развернуть все

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

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

`X` Данные о предикторе, которые будут классифицированы
числовая матрица | таблица

Данные о предикторе, которые будут классифицированы, заданные как числовая матрица или таблица.

Каждая строка X соответствует одному наблюдению, и каждый столбец соответствует одной переменной.

Для числовой матрицы:
- Переменные, составляющие столбцы X, должны иметь тот же порядок как переменные прогноза, которые обучили Mdl.
- Если вы обучили Mdl с помощью таблицы (например, Tbl), то X может быть числовой матрицей, если Tbl содержит все числовые переменные прогноза. Чтобы обработать числовые предикторы в Tbl как категориальные во время обучения, идентифицируйте категориальные предикторы с помощью аргумента пары "имя-значение" CategoricalPredictors fitctree. Если Tbl содержит неоднородные переменные прогноза (например, типы числовых и категориальных данных), и X является числовой матрицей, то predict выдает ошибку.
Для таблицы:
- predict не поддерживает многостолбцовые переменные и массивы ячеек кроме массивов ячеек из символьных векторов.
- Если бы вы обучили Mdl с помощью таблицы (например, Tbl), то все переменные прогноза в X должны иметь те же имена переменных и типы данных как те, которые обучили Mdl (сохраненный в Mdl.PredictorNames). Однако порядок следования столбцов X не должен соответствовать порядку следования столбцов Tbl. Tbl и X могут содержать дополнительные переменные (переменные отклика, веса наблюдения, и т.д.), но predict игнорирует их.
- Если бы вы обучили Mdl с помощью числовой матрицы, то имена предиктора в Mdl.PredictorNames и соответствующие имена переменной прогноза в X должны быть тем же самым. Чтобы задать имена предиктора во время обучения, смотрите аргумент пары "имя-значение" PredictorNames fitctree. Все переменные прогноза в X должны быть числовыми векторами. X может содержать дополнительные переменные (переменные отклика, веса наблюдения, и т.д.), но predict игнорирует их.

Типы данных: table | double | single

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.

`'Subtrees'` — Сокращение уровня
0 (значений по умолчанию) | вектор неотрицательных целых чисел | `'all'`

Сокращение уровня, заданного как пара, разделенная запятой, состоящая из 'Subtrees' и вектор неотрицательных целых чисел в порядке возрастания или 'all'.

Если вы задаете вектор, то всеми элементами должен быть, по крайней мере, 0 и в большей части max(Mdl.PruneList). 0 указывает на полное, несокращенное дерево, и max(Mdl.PruneList) указывает на полностью сокращенное дерево (т.е. только корневой узел).

Если вы задаете 'all', то predict работает со всеми поддеревьями (т.е. целая последовательность сокращения). Эта спецификация эквивалентна использованию 0:max(Mdl.PruneList).

predict сокращает Mdl к каждому уровню, обозначенному в Subtrees, и затем оценивает соответствующие выходные аргументы. Размер Subtrees определяет размер некоторых выходных аргументов.

Чтобы вызвать Subtrees, свойства PruneList и PruneAlpha Mdl должны быть непустыми. Другими словами, вырастите Mdl установкой 'Prune','on', или путем сокращения Mdl с помощью prune.

Пример: 'Subtrees','all'

Типы данных: single | double | char | string

Выходные аргументы

развернуть все

`метка` Предсказанные метки класса
вектор | массив

Предсказанные метки класса, возвращенные как вектор или массив. Каждая запись label соответствует классу с минимальной ожидаемой стоимостью для соответствующей строки X.

Предположим, что Subtrees является числовым вектором, содержащим элементы T (для 'all', смотрите Subtrees), и X имеет строки N.

Если типом данных ответа является char и:
- T = 1, затем label является символьной матрицей, содержащей строки N. Каждая строка содержит предсказанную метку, произведенную поддеревом Subtrees.
- T> 1, затем label является N-by-T массив ячеек.
В противном случае label является N-by-T массив, имеющий совпадающий тип данных как ответ. (Программное обеспечение обрабатывает строковые массивы как массивы ячеек из символьных векторов.)

В последних двух случаях столбец j label содержит вектор предсказанных меток, произведенных поддеревом Subtrees(j).

`score` — Апостериорные вероятности
числовая матрица

Апостериорные вероятности, возвращенные как числовая матрица размера N-by-K, где N является количеством наблюдений (строки) в X и K, являются количеством классов (в Mdl.ClassNames). score(i,j) является апостериорной вероятностью, что строка i X имеет класс j.

Если Subtrees имеет элементы T, и X имеет строки N, то score является N-by-K-by-T массив, и node и cnum является N-by-T матрицы.

`node` — Числа узла
числовой вектор

Числа узла для предсказанных классов, возвращенных как числовой вектор. Каждая запись соответствует предсказанному узлу в Mdl для соответствующей строки X.

`cnum` — Классификационные индексы
числовой вектор

Классификационные индексы, соответствующие предсказанному labels, возвращенному как числовой вектор. Каждая запись cnum соответствует предсказанному классификационному индексу для соответствующей строки X.

Примеры

развернуть все

Предскажите метки Используя дерево классификации

Скрипт Open Live Script

Исследуйте прогнозы на несколько строк в наборе данных, упущенном из обучения.

Загрузите ирисовый набор данных Фишера.

load fisheriris

Разделите данные в обучение (50%) и валидацию (50%-е) наборы.

n = size(meas,1);
rng(1) % For reproducibility
idxTrn = false(n,1);
idxTrn(randsample(n,round(0.5*n))) = true; % Training set logical indices
idxVal = idxTrn == false;                  % Validation set logical indices

Вырастите дерево классификации использование набора обучающих данных.

Mdl = fitctree(meas(idxTrn,:),species(idxTrn));

Предскажите метки для данных о валидации. Считайте количество неправильно классифицированных наблюдений.

label = predict(Mdl,meas(idxVal,:));
label(randsample(numel(label),5)) % Display several predicted labels

ans = 5x1 cell array
    {'setosa'    }
    {'setosa'    }
    {'setosa'    }
    {'virginica' }
    {'versicolor'}

numMisclass = sum(~strcmp(label,species(idxVal)))

numMisclass = 3

Программное обеспечение неправильно классифицирует три наблюдения из выборки.

Оцените апостериорные вероятности класса Используя дерево классификации

Скрипт Open Live Script

Загрузите ирисовый набор данных Фишера.

load fisheriris

Разделите данные в обучение (50%) и валидацию (50%-е) наборы.

n = size(meas,1);
rng(1) % For reproducibility
idxTrn = false(n,1);
idxTrn(randsample(n,round(0.5*n))) = true; % Training set logical indices
idxVal = idxTrn == false;                  % Validation set logical indices

Вырастите дерево классификации использование набора обучающих данных, и затем просмотрите его.

Mdl = fitctree(meas(idxTrn,:),species(idxTrn));
view(Mdl,'Mode','graph')

Получившееся дерево имеет четыре уровня.

Оцените апостериорные вероятности для набора тестов с помощью поддеревьев, сокращенных к уровням 1 и 3.

[~,Posterior] = predict(Mdl,meas(idxVal,:),'SubTrees',[1 3]);
Mdl.ClassNames

ans = 3x1 cell array
    {'setosa'    }
    {'versicolor'}
    {'virginica' }

Posterior(randsample(size(Posterior,1),5),:,:),...
    % Display several posterior probabilities

ans = 
ans(:,:,1) =

    1.0000         0         0
    1.0000         0         0
    1.0000         0         0
         0         0    1.0000
         0    0.8571    0.1429


ans(:,:,2) =

    0.3733    0.3200    0.3067
    0.3733    0.3200    0.3067
    0.3733    0.3200    0.3067
    0.3733    0.3200    0.3067
    0.3733    0.3200    0.3067

Элементы Posterior являются апостериорными вероятностями класса:

Строки соответствуют наблюдениям в наборе валидации.
Столбцы соответствуют классам, как перечислено в Mdl.ClassNames.
Страницы соответствуют поддеревьям.

Поддерево, сокращенное к уровню 1, более уверено в своих прогнозах, чем поддерево, сокращенное к уровню 3 (т.е. корневой узел).

Больше о

развернуть все

Предсказанная метка класса

predict классифицирует путем минимизации ожидаемой стоимости классификации:

$\hat{y} = \underset{y = 1, ..., K}{аргумент \min} \sum_{j = 1}^{K} \hat{P} (j | x) C (y | j),$

где

$\hat{y}$ предсказанная классификация.
K является количеством классов.
$\hat{P} (j | x)$ апостериорная вероятность класса j для наблюдения x.
$C (y | j)$ стоимость классификации наблюдения как y, когда его истинным классом является j.

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.

Истинная стоимость Misclassification

Существует два затрат, сопоставленные с классификацией: истинная стоимость misclassification в классе и ожидаемый misclassification стоятся на наблюдение.

Можно установить истинную стоимость misclassification в классе в паре "имя-значение" Cost, когда вы создаете классификатор с помощью метода fitctree. Cost(i,j) является стоимостью классификации наблюдения в класс j, если его истинным классом является i. По умолчанию, Cost(i,j)=1, если i~=j и Cost(i,j)=0, если i=j. Другими словами, стоимостью является 0 для правильной классификации и 1 для неправильной классификации.

Ожидаемая стоимость

Предположим, что у вас есть наблюдения Nobs, что вы хотите классифицировать с обученным классификатором. Предположим, что у вас есть классы K. Вы помещаете наблюдения в матричный Xnew с одним наблюдением на строку.

Ожидаемая матрица стоимости CE имеет размер Nobs-by-K. Каждая строка CE содержит ожидаемую (среднюю) стоимость классификации наблюдения в каждый из классов K. CE(n,k)

$\sum_{i = 1}^{K} \hat{P} (i | X n e w (n)) C (k | i),$

где

K является количеством классов.
$\hat{P} (i | X n e w (n))$ апостериорная вероятность класса i для наблюдения Xnew (n).
$C (k | i)$ истинная misclassification стоимость классификации наблюдения как k, когда его истинным классом является i.

Прогнозирующая мера ассоциации

predictive measure of association является значением, которое указывает, что подобие между решением управляет что наблюдения разделения. Среди всех возможных разделений решения, которые сравниваются с оптимальным разделением (найденный путем роста дерева), лучшее суррогатное разделение решения приводит к максимальной прогнозирующей мере ассоциации. Второсортное суррогатное разделение имеет вторую по величине прогнозирующую меру ассоциации.

Предположим_{, что xj} и _xk являются переменными прогноза j и k, соответственно, и j ≠ k. В узле t прогнозирующая мера ассоциации между оптимальным разделением _xj <u и суррогат разделяют _xk <v

$λ_{j k} = \frac{min (P_{L}, P_{R}) - (1 - P_{L_{j} L_{k}} - P_{R_{j} R_{k}})}{min (P_{L}, P_{R})} .$

_PL является пропорцией наблюдений в узле t, такой что _xj <u. Нижний L выдерживает за покинутый дочерний элемент узла t.
_PR является пропорцией наблюдений в узле t, такой что _xj ≥ u. Нижний R выдерживает за правильный дочерний элемент узла t.
$P_{L_{j} L_{k}}$ пропорция наблюдений в узле t, такой что _xj <u и _xk <v.
$P_{R_{j} R_{k}}$ пропорция наблюдений в узле t, такой что _xj ≥ u и _xk ≥ v.
Наблюдения с отсутствующими значениями для _xj или _xk не способствуют вычислениям пропорции.

_λjk является значением в (– ∞, 1]. Если _λjk> 0, то _xk <v является стоящим суррогатным разделением для _xj <u.

Алгоритмы

predict генерирует прогнозы следующим ответвления Mdl, пока это не достигает вершины или отсутствующего значения. Если predict достигает вершины, он возвращает классификацию того узла.

Если predict достигает узла с отсутствующим значением для предиктора, его поведение зависит от установки пары "имя-значение" Surrogate, когда fitctree создает Mdl.

Surrogate = 'off' (значение по умолчанию) — predict возвращает метку с наибольшим числом учебных выборок, которые достигают узла.
Surrogate = 'on' — predict использует лучшее суррогатное разделение в узле. Если все суррогатные переменные разделения с положительным predictive measure of association отсутствуют, predict возвращает метку с наибольшим числом учебных выборок, которые достигают узла. Для определения смотрите Прогнозирующую Меру Ассоциации.

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).

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Указания и ограничения по применению:

Используйте saveCompactModel, loadCompactModel и codegen, чтобы сгенерировать код для функции predict. Сохраните обученную модель при помощи saveCompactModel. Задайте функцию точки входа, которая загружает сохраненную модель при помощи loadCompactModel и вызывает функцию predict. Затем используйте codegen, чтобы сгенерировать код для функции точки входа.

Эта таблица содержит примечания об аргументах predict. Аргументы, не включенные в эту таблицу, полностью поддержаны.

Аргумент	Примечания и ограничения
`Mdl`	Для указаний и ограничений по применению объекта модели смотрите Генерацию кода объекта `CompactClassificationTree`.
`X`	Должен быть матрица с двойной точностью или с одинарной точностью и может быть переменный размер. Однако количеством столбцов в `X` должен быть `numel(Mdl.PredictorNames)`. Строки и столбцы должны соответствовать наблюдениям и предикторам, соответственно.
`label`	Если типом данных ответа является `char`, и `codegen` не может решить, что значение `Subtrees` является скаляром, то `label` является массивом ячеек из символьных векторов.
Аргументы в виде пар имя-значение	Имена в аргументах пары "имя-значение" должны быть константами времени компиляции. Например, чтобы позволить пользовательские уровни сокращения в сгенерированном коде, включайте `{coder.Constant('Subtrees'),coder.typeof(0,[1,n],[0,1])}` в значение `-args` `codegen`, где `n` является `max(Mdl.PruneList)`.

Для получения дополнительной информации смотрите Введение в Генерацию кода.

Темы

Задайте аргументы Переменного Размера для генерации кода

Документация

предсказать

Синтаксис

Описание

Входные параметры

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

`X` Данные о предикторе, которые будут классифицированы
числовая матрица | таблица

Аргументы в виде пар имя-значение

`'Subtrees'` — Сокращение уровня
0 (значений по умолчанию) | вектор неотрицательных целых чисел | `'all'`

Выходные аргументы

`метка` Предсказанные метки класса
вектор | массив

`score` — Апостериорные вероятности
числовая матрица

`node` — Числа узла
числовой вектор

`cnum` — Классификационные индексы
числовой вектор

Примеры

Предскажите метки Используя дерево классификации

Оцените апостериорные вероятности класса Используя дерево классификации

Больше о

Предсказанная метка класса

Счет (дерево)

Истинная стоимость Misclassification

Ожидаемая стоимость

Прогнозирующая мера ассоциации

Алгоритмы

Расширенные возможности

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

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

Темы

Введенный в R2011a

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

предсказать

Синтаксис

Описание

Входные параметры

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

X Данные о предикторе, которые будут классифицированы числовая матрица | таблица

Аргументы в виде пар имя-значение

'Subtrees' — Сокращение уровня 0 (значений по умолчанию) | вектор неотрицательных целых чисел | 'all'

Выходные аргументы

метка Предсказанные метки класса вектор | массив

score — Апостериорные вероятности числовая матрица

node — Числа узла числовой вектор

cnum — Классификационные индексы числовой вектор

Примеры

Предскажите метки Используя дерево классификации

Оцените апостериорные вероятности класса Используя дерево классификации

Больше о

Предсказанная метка класса

Счет (дерево)

Истинная стоимость Misclassification

Ожидаемая стоимость

Прогнозирующая мера ассоциации

Алгоритмы

Расширенные возможности

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

Генерация кода C/C++ Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

Темы

Введенный в R2011a

Документация Statistics and Machine Learning Toolbox

Поддержка

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

`X` Данные о предикторе, которые будут классифицированы
числовая матрица | таблица

`'Subtrees'` — Сокращение уровня
0 (значений по умолчанию) | вектор неотрицательных целых чисел | `'all'`

`метка` Предсказанные метки класса
вектор | массив

`score` — Апостериорные вероятности
числовая матрица

`node` — Числа узла
числовой вектор

`cnum` — Классификационные индексы
числовой вектор

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

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.