Exponenta Banner
exponenta event banner

edge

Ребро k - самый близкий соседний классификатор

свернуть все на странице

Синтаксис

E = edge(mdl,tbl,ResponseVarName)
E = edge(mdl,tbl,Y)
E = edge(mdl,X,Y)
E = edge(___,'Weights',weights)

Описание

E = edge(mdl,tbl,ResponseVarName) возвращает ребро классификации для mdl с данными tbl и классификация tbl.ResponseVarName. Если tbl содержит переменную отклика, используемую, чтобы обучить mdl, затем вы не должны задавать ResponseVarName.

Ребро классификации (E) скалярное значение, которое представляет среднее значение полей классификации.

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

пример

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

E = edge(___,'Weights',weights) вычисляет ребро с дополнительными весами наблюдения weights, использование любого из входных параметров в предыдущих синтаксисах.

Примеры

свернуть все

Скрипт Open Live Script

Создайте классификатор k - ближайших соседей для ирисовых данных Фишера, где k = 5.

Загрузите ирисовый набор данных Фишера.

load fisheriris
X = meas;
Y = species;

Создайте классификатор для пяти самых близких соседей.

mdl = fitcknn(X,Y,'NumNeighbors',5);

Исследуйте ребро классификатора для минимума, среднего значения и максимальных наблюдений, классифицированных как 'setosa', 'versicolor', и 'virginica', соответственно.

NewX = [min(X);mean(X);max(X)];
Y = {'setosa';'versicolor';'virginica'};
E = edge(mdl,NewX,Y)
E = 1

Все пять самых близких соседей каждого NewX точка классифицирует как соответствующий Y запись.

Входные параметры

свернуть все

модель классификатора k - ближайших соседей, заданная как ClassificationKNN объект.

Выборочные данные раньше обучали модель, заданную как таблица. Каждая строка tbl соответствует одному наблюдению, и каждый столбец соответствует одному переменному предиктору. Опционально, tbl может содержать один дополнительный столбец для переменной отклика. Многостолбцовые переменные и массивы ячеек кроме массивов ячеек из символьных векторов не позволены.

Если tbl содержит переменную отклика, используемую, чтобы обучить mdl, затем вы не должны задавать ResponseVarName или Y.

Если вы обучаете mdl использование выборочных данных содержится в table, затем входные данные для edge должен также быть в таблице.

Типы данных: table

Имя переменной отклика, заданное как имя переменной в tbl. Если tbl содержит переменную отклика, используемую, чтобы обучить mdl, затем вы не должны задавать ResponseVarName.

Необходимо задать ResponseVarName как вектор символов или скаляр строки. Например, если переменная отклика хранится как tbl.response, затем задайте его как 'response'. В противном случае программное обеспечение обрабатывает все столбцы tbl, включая tbl.response, 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

Данные о предикторе, заданные как числовая матрица. Каждая строка X представляет одно наблюдение, и каждый столбец представляет одну переменную.

Типы данных: single | double

Метки класса, заданные как категориальное, символ, или массив строк, логический или числовой вектор или массив ячеек из символьных векторов. Каждая строка Y представляет классификацию соответствующей строки X.

Типы данных: categorical | char | string | logical | single | double | cell

Веса наблюдения, заданные как числовой вектор или имя переменной в tbl.

Если вы задаете weights как числовой вектор, затем размер weights должно быть равно количеству строк в X или tbl.

Если вы задаете weights как имя переменной в tbl, затем имя должно быть вектором символов или представить скаляр в виде строки. Например, если веса хранятся как tbl.w, затем задайте weights как 'w'. В противном случае программное обеспечение обрабатывает все столбцы tbl, включая tbl.w, как предикторы.

Если вы задаете weights, затем edge функциональные веса наблюдение в каждой строке X или tbl с соответствующим весом в weights.

Пример: 'Weights','w'

Типы данных: single | double | char | string

Больше о

свернуть все

Поле

Классификация margin для каждого наблюдения является различием между классификацией score для истинного класса и максимальным счетом классификации к ложным классам.

Поля классификации формируют вектор-столбец с одинаковым числом строк как X или tbl.

Счет

score классификации является апостериорной вероятностью классификации. Апостериорная вероятность является количеством соседей с той классификацией, разделенной на количество соседей. Для более подробного определения, которое включает веса и априорные вероятности, смотрите Апостериорную вероятность.

Расширенные возможности

Смотрите также

| | |

Темы

Представленный в R2012a

Документация Statistics and Machine Learning Toolbox
Поддержка