Этот пример показывает, как построить поверхность решения различных алгоритмов классификации.
Загрузите ирисовый набор данных Фишера.
load fisheriris
X = meas(:,1:2);
y = categorical(species);
labels = categories(y);
X
является числовой матрицей, которая содержит два лепестковых измерения для 150 ирисовых диафрагм. Y
является массивом ячеек из символьных векторов, который содержит соответствующие ирисовые разновидности.
Визуализируйте данные с помощью графика рассеивания. Сгруппируйте переменные ирисовыми разновидностями.
gscatter(X(:,1),X(:,2),species,'rgb','osd'); xlabel('Sepal length'); ylabel('Sepal width');
Обучите четыре различных классификатора и сохраните модели в массиве ячеек.
classifier_name = {'Naive Bayes','Discriminant Analysis','Classification Tree','Nearest Neighbor'};
Обучите наивную модель Bayes.
classifier{1} = fitcnb(X,y);
Обучите классификатор дискриминантного анализа.
classifier{2} = fitcdiscr(X,y);
Обучите дерево решений классификации.
classifier{3} = fitctree(X,y);
Обучите соседний классификатор k-nearest.
classifier{4} = fitcknn(X,y);
Создайте сетку точек, охватывающих целый пробел в некоторых границах фактических значений данных.
x1range = min(X(:,1)):.01:max(X(:,1)); x2range = min(X(:,2)):.01:max(X(:,2)); [xx1, xx2] = meshgrid(x1range,x2range); XGrid = [xx1(:) xx2(:)];
Предскажите ирисовые разновидности каждого наблюдения в XGrid
с помощью всех классификаторов. Постройте график рассеивания результатов.
for i = 1:numel(classifier) predictedspecies = predict(classifier{i},XGrid); subplot(2,2,i); gscatter(xx1(:), xx2(:), predictedspecies,'rgb'); title(classifier_name{i}) legend off, axis tight end legend(labels,'Location',[0.35,0.01,0.35,0.05],'Orientation','Horizontal')
Каждый алгоритм классификации генерирует различные правила принятия решения. Поверхность решения может помочь вам визуализировать эти правила.