ошибка

Ошибка (misclassification вероятность или MSE)

Синтаксис

err = error(B,TBLnew,Ynew) err = error(B,Xnew,Ynew) err = error(B,TBLnew,Ynew,'param1',val1,'param2',val2,...) err = error(B,Xnew,Ynew,'param1',val1,'param2',val2,...)

Описание

err = error(B,TBLnew,Ynew) вычисляет misclassification вероятность для деревьев классификации или среднеквадратическую ошибку (MSE) для деревьев регрессии для каждого дерева, для предикторов, содержавшихся в таблице TBLnew, данной истинный ответ Ynew. Можно не использовать Ynew, если TBLnew содержит переменную отклика. Если бы вы обучили B с помощью выборочных данных, содержавшихся в таблице, то входные данные для этого метода должны также быть в таблице.

err = error(B,Xnew,Ynew) вычисляет misclassification вероятность для деревьев классификации или среднеквадратическую ошибку (MSE) для деревьев регрессии для каждого дерева, для предикторов, содержавшихся в матричном Xnew, данном истинный ответ Ynew. Если бы вы обучили B с помощью выборочных данных, содержавшихся в матрице, то входные данные для этого метода должны также быть в матрице.

Для классификации Ynew может быть числовым вектором, символьной матрицей, массивом строк, массивом ячеек из символьных векторов, категориальным вектором или логическим вектором. Для регрессии Y должен быть числовым вектором. err является вектором с одной ошибочной мерой для каждого из деревьев NTrees в ансамбле B.

err = error(B,TBLnew,Ynew,'param1',val1,'param2',val2,...) или err = error(B,Xnew,Ynew,'param1',val1,'param2',val2,...) задает дополнительные пары "имя-значение" параметра:

`'Mode'`	Вектор символов или скаляр строки указание, как метод вычисляет ошибки. Если установлено в `'cumulative'` (значение по умолчанию), `error` вычисляет совокупные ошибки, и `err` является вектором длины `NTrees`, откуда первый элемент дает ошибку `trees(1)`, второй элемент дает ошибку from`trees(1:2)` и т.д. до `trees(1:NTrees)`. Если установлено в `'individual'`, `err` является вектором длины `NTrees`, где каждый элемент является ошибкой от каждого дерева в ансамбле. Если установлено в `'ensemble'`, `err` является скаляром, показывающим совокупную ошибку для целого ансамбля.
`'Weights'`	Вектор весов наблюдения, чтобы использовать для ошибочного усреднения. По умолчанию вес каждого наблюдения равняется 1. Длина этого вектора должна быть равна количеству строк в `X`.
`'Trees'`	Вектор индексов, указывающих, что деревья включать в это вычисление. По умолчанию этот аргумент установлен в `'all'`, и метод использует все деревья. Если `'Trees'` является числовым вектором, метод возвращает вектор длины `NTrees` для режимов `'cumulative'` и `'individual'`, где `NTrees` является числом элементов во входном векторе и скаляром для режима `'ensemble'`. Например, в режиме `'cumulative'`, первый элемент дает ошибку от `trees(1)`, второй элемент дает ошибку от `trees(1:2)` и т.д.
`'TreeWeights'`	Вектор древовидных весов. Этот вектор должен иметь ту же длину как вектор `'Trees'`. Метод использует эти веса, чтобы объединить вывод от заданных деревьев путем взятия взвешенного среднего вместо простого невзвешенного решения большинством голосов. Вы не можете использовать этот аргумент в режиме `'individual'`.
`'UseInstanceForTree'`	Логическая матрица размера `Nobs`-by-`NTrees` указание, которое деревья должны использоваться, чтобы сделать прогнозами для каждого наблюдения. По умолчанию метод использует все деревья для всех наблюдений.

Алгоритмы

При оценке ошибки ансамбля:

Используя аргумент пары "имя-значение" 'Mode', можно задать, чтобы возвратить ошибку любой из этих трех путей:
- Ошибка для отдельных деревьев в ансамбле
- Совокупная ошибка по всем деревьям
- Ошибка для целого ансамбля
Используя аргумент пары "имя-значение" 'Trees', можно задать который деревья использовать в ошибочных вычислениях ансамбля.
Используя аргумент пары "имя-значение" 'UseInstanceForTree', можно задать который наблюдения во входных данных (X и Y), чтобы использовать в ошибочном вычислении ансамбля для каждого выбранного дерева.
Используя аргумент пары "имя-значение" 'Weights', можно приписать каждое наблюдение с весом. Для формул, которые следуют, _wj является весом наблюдения j.
Используя аргумент пары "имя-значение" 'TreeWeights', можно приписать каждое дерево с весом.

Для проблем регрессии error оценивает взвешенный MSE ансамбля сложенных в мешок деревьев регрессии для предсказания Y, данного X с помощью выбранных деревьев и наблюдений.

error предсказывает ответы для выбранных наблюдений в X с помощью выбранных деревьев регрессии в ансамбле.
Оценка MSE зависит от значения 'Mode'.
- Если вы задаете 'Mode','Individual', то взвешенный MSE для древовидного t
  
  ${MSE}_{t} = \frac{1}{\sum_{j = 1}^{n} w_{j}} \sum_{j = 1}^{n} w_{j} {(y_{j} - {\hat{y}}_{t j})}^{2} .$
  ${\hat{y}}_{t j}$ предсказанный ответ наблюдения j от выбранного дерева регрессии t. error устанавливает любые отменявшие наблюдения в выбранном дереве к взвешенному демонстрационному среднему значению наблюдаемых ответов данных тренировки.
- Если вы задаете 'Mode','Cumulative', то взвешенный MSE является вектором размера, T^* содержащий совокупный, взвешенный MSEs по T^* ≤ T выбрал деревья. error выполняет эти шаги, чтобы оценить, что MSE_t^*, совокупное, взвесил MSE, использование первого t выбрало деревья.
  1. Для выбранного наблюдения j, j = 1..., n, оценки error ${\hat{y}}_{сумка, t j}$ , взвешенное среднее прогнозов среди первого t выбрало деревья (для получения дополнительной информации смотрите predict). Для этого вычисления error использует древовидные веса.
  2. error оценивает совокупный, взвешенный MSE через древовидный t.
    
    ${MSE}_{t}^{*} = \frac{1}{\sum_{j = 1}^{n} w_{j}} \sum_{j = 1}^{n} w_{j} {(y_{j} - {\hat{y}}_{сумка, t j})}^{2} .$
  error устанавливает наблюдения, которые отменяются для всех выбранных деревьев к взвешенному демонстрационному среднему значению наблюдаемых ответов данных тренировки.
- Если вы задаете 'Mode','Ensemble', то взвешенный MSE является последним элементом совокупного, взвешенного вектора MSE.

Для проблем классификации error оценивает взвешенный misclassification уровень ансамбля сложенных в мешок деревьев классификации для предсказания Y, данного X с помощью выбранных деревьев и наблюдений.

Если вы задаете 'Mode','Individual', то взвешенный misclassification уровень для древовидного t

$e_{t} = \frac{1}{\sum_{j = 1}^{n} w_{j}} \sum_{j = 1}^{n} w_{j} I (y_{j} \neq {\hat{y}}_{t j}) .$
${\hat{y}}_{t j}$ предсказанный класс для выбранного наблюдения использование j от выбранного дерева классификации t. error устанавливает любые отменявшие наблюдения в выбранном дереве к предсказанному, взвешенному, самому популярному классу по всем учебным ответам. Если существует несколько самых популярных классов, error считает тот перечисленным сначала в свойстве ClassNames модели TreeBagger самое популярное.
Если вы задаете 'Mode','Cumulative' затем, взвешенный misclassification уровень является вектором размера, T^* содержащий совокупные, взвешенные misclassification уровни по T^* ≤ T выбрал деревья. error выполняет эти шаги, чтобы оценить_{, что et}^*, совокупное, взвесил misclassification уровень с помощью выбранных деревьев первого t.
1. Для выбранного наблюдения j, j = 1..., n, оценки error ${\hat{y}}_{сумка, t j}$ , взвешенный, самый популярный класс среди первого t выбрал деревья (для получения дополнительной информации смотрите predict). Для этого вычисления error использует древовидные веса.
2. error оценивает совокупный, взвешенный misclassification уровень через древовидный t.
  
  $e_{t}^{*} = \frac{1}{\sum_{j = 1}^{n} w_{j}} \sum_{j = 1}^{n} w_{j} I (y_{j} \neq {\hat{y}}_{сумка, t j}) .$
  error устанавливает любые наблюдения, которые отменяются для всех выбранных деревьев к предсказанному, взвешенному, самому популярному классу по всем учебным ответам. Если существует несколько самых популярных классов, error считает тот перечисленным сначала в свойстве ClassNames модели TreeBagger самое популярное.
Если вы задаете 'Mode','Ensemble', то взвешенный misclassification уровень является последним элементом совокупного, взвешенного misclassification вектора уровня.

Смотрите также

CompactTreeBagger | predict

Документация

ошибка

Синтаксис

Описание

Алгоритмы

Смотрите также

Темы

Документация Statistics and Machine Learning Toolbox

Поддержка