k- соседняя классификация
ClassificationKNN
модель классификации ближайшего соседа, в которой можно изменить и метрику расстояния и количество самых близких соседей. Поскольку ClassificationKNN
классификатор хранит обучающие данные, можно использовать модель, чтобы вычислить прогнозы перезамены. В качестве альтернативы используйте модель, чтобы классифицировать новые наблюдения с помощью predict
метод.
Создайте ClassificationKNN
модель с помощью fitcknn
.
BreakTies
— Повреждающий связь алгоритм'smallest'
(значение по умолчанию) | 'nearest'
| 'random'
Повреждающий связь алгоритм используется predict
когда несколько классов имеют ту же самую маленькую стоимость, заданную как одно из следующего:
'smallest'
— Используйте самый маленький индекс среди связанных групп.
'nearest'
— Используйте класс с самым близким соседом среди связанных групп.
'random'
— Используйте случайное дополнительное время среди связанных групп.
По умолчанию связи происходят, когда несколько классов имеют то же количество самых близких точек среди k самые близкие соседи. BreakTies
применяется когда IncludeTies
false
.
Измените BreakTies
использование записи через точку: mdl.BreakTies = newBreakTies
.
Distance
— Метрика расстояния'cityblock'
| 'chebychev'
| 'correlation'
| 'cosine'
| 'euclidean'
| указатель на функцию |...Метрика расстояния, заданная как вектор символов или указатель на функцию. Позволенные значения зависят от NSMethod
свойство.
NSMethod | Позволенная метрика расстояния |
---|---|
'exhaustive' | Любая метрика расстояния ExhaustiveSearcher |
'kdtree' | 'cityblock' , 'chebychev' , 'euclidean' , или 'minkowski' |
В следующей таблице перечислены ExhaustiveSearcher
метрики расстояния.
Значение | Описание |
---|---|
'cityblock' | Расстояние городского квартала. |
'chebychev' | Расстояние Чебычева (максимум координируют различие). |
'correlation' | Один минус демонстрационная линейная корреляция между наблюдениями (обработанный как последовательности значений). |
'cosine' | Один минус косинус включенного угла между наблюдениями (обработанный как векторы). |
'euclidean' | Евклидово расстояние. |
'hamming' | Расстояние Хемминга, процент координат, которые отличаются. |
'jaccard' | Один минус коэффициент Jaccard, процент ненулевых координат, которые отличаются. |
'mahalanobis' | Расстояние Mahalanobis, вычисленное использование положительной определенной ковариационной матрицы C . Значение по умолчанию C матрица выборочной ковариации X , как вычислено nancov(X) . Задавать различное значение для C , установите DistParameter свойство mdl использование записи через точку. |
'minkowski' | Расстояние Минковскего. Экспонентой по умолчанию является 2 . Чтобы задать различную экспоненту, установите DistParameter свойство mdl использование записи через точку. |
'seuclidean' | Стандартизированное Евклидово расстояние. Каждое координатное различие между X и точка запроса масштабируется, означая разделенный на значение шкалы S . Значение по умолчанию S стандартное отклонение, вычисленное из X , S = nanstd(X) . Задавать другое значение для S , установите DistParameter свойство mdl использование записи через точку. |
'spearman' | Один минус порядковая корреляция демонстрационного Копьеносца между наблюдениями (обработанный как последовательности значений). |
@ |
Указатель на функцию расстояния. function D2 = distfun(ZI,ZJ) % calculation of distance ...
|
Для получения дополнительной информации смотрите Метрики Расстояния.
Измените Distance
использование записи через точку: mdl.Distance = newDistance
.
Если NSMethod
'kdtree'
, можно использовать запись через точку, чтобы изменить Distance
только для метрик 'cityblock'
, 'chebychev'
, 'euclidean'
, и 'minkowski'
.
Типы данных: char |
function_handle
DistanceWeight
— Функция взвешивания расстояния'equal'
| 'inverse'
| 'squaredinverse'
| указатель на функциюФункция взвешивания расстояния, заданная как одно из значений в этой таблице.
Значение | Описание |
---|---|
'equal' | Никакое взвешивание |
'inverse' | Вес 1/дистанцировать |
'squaredinverse' | Вес является 1/distance2 |
| fcn функция, которая принимает матрицу неотрицательных расстояний и возвращает матрицу, одного размера содержащий неотрицательные веса расстояния. Например, 'squaredinverse' эквивалентно @(d)d.^(–2) . |
Измените DistanceWeight
использование записи через точку: mdl.DistanceWeight = newDistanceWeight
.
Типы данных: char |
function_handle
DistParameter
— Параметр для метрики расстоянияПараметр для метрики расстояния, заданной как одно из значений, описан в этой таблице.
Метрика расстояния | Параметр |
---|---|
'mahalanobis' | Положительная определенная ковариационная матрица C |
'minkowski' | Экспонента расстояния Минковскего, положительная скалярная величина |
'seuclidean' | Вектор положительных значений шкалы с длиной равняется количеству столбцов X |
Для любой другой метрики расстояния, значения DistParameter
должен быть []
.
Можно изменить DistParameter
использование записи через точку: mdl.DistParameter = newDistParameter
. Однако, если Distance
'mahalanobis'
или 'seuclidean'
, затем вы не можете изменить DistParameter
.
Типы данных: single
| double
IncludeTies
— Свяжите флаг включенияfalse
(значение по умолчанию) | true
Свяжите флаг включения, указывающий ли predict
включает всех соседей, значения расстояния которых равны k th наименьшее расстояние, заданное как false
или true
. Если IncludeTies
true
, predict
включает всех этих соседей. В противном случае, predict
использование точно соседи k (см. BreakTies
свойство.
Измените IncludeTies
использование записи через точку: mdl.IncludeTies = newIncludeTies
.
Типы данных: логический
NSMethod
— Самый близкий соседний метод поиска'kdtree'
| 'exhaustive'
Это свойство доступно только для чтения.
Самый близкий соседний метод поиска, заданный как любой 'kdtree'
или 'exhaustive'
.
'kdtree'
— Создает и использует Kd-дерево, чтобы найти самых близких соседей.
'exhaustive'
— Использует алгоритм исчерпывающего поиска. При предсказании класса новой точки xnew
, программное обеспечение вычисляет значения расстояния из всех точек в X
к xnew
найти самых близких соседей.
Значением по умолчанию является 'kdtree'
когда X
имеет 10
или меньше столбцов, X
не разреженно, и метрикой расстояния является 'kdtree'
ввод. В противном случае значением по умолчанию является 'exhaustive'
.
NumNeighbors
— Количество самых близких соседейКоличество самых близких соседей в X
используемый, чтобы классифицировать каждую точку во время прогноза, заданного как положительное целочисленное значение.
Измените NumNeighbors
использование записи через точку: mdl.NumNeighbors = newNumNeighbors
.
Типы данных: single
| double
CategoricalPredictors
— Категориальные индексы предиктора[]
| вектор положительных целых чиселЭто свойство доступно только для чтения.
Категориальные индексы предиктора, заданные как вектор положительных целых чисел. CategoricalPredictors
содержит значения индекса, соответствующие столбцам данных о предикторе, которые содержат категориальные предикторы. Если ни один из предикторов не является категориальным, то это свойство пусто ([]
).
Типы данных: double
ClassNames
— Имена классов в обучающих данных Y
Это свойство доступно только для чтения.
Имена классов в обучающих данных Y
с копиями, удаленными, заданными как категориальное или символьный массив, логический или числовой вектор или массив ячеек из символьных векторов. ClassNames
имеет совпадающий тип данных как Y
. (Программное обеспечение обрабатывает строковые массивы как массивы ячеек из символьных векторов.)
Типы данных: categorical
| char
| logical
| single
| double
| cell
Cost
— Стоимость misclassificationСтоимость misclassification точки, заданной как квадратная матрица. Cost(i,j)
стоимость классификации точки в класс j
если его истинным классом является i
(то есть, строки соответствуют истинному классу, и столбцы соответствуют предсказанному классу). Порядок строк и столбцов в Cost
соответствует порядку классов в ClassNames
. Количество строк и столбцов в Cost
количество уникальных классов в ответе.
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.
Измените Cost
матрица с помощью записи через точку: mdl.Cost = costMatrix
.
Типы данных: single
| double
ExpandedPredictorNames
— Расширенные имена предиктораЭто свойство доступно только для чтения.
Расширенные имена предиктора, заданные как массив ячеек из символьных векторов.
Если кодирование использования модели для категориальных переменных, то ExpandedPredictorNames
включает имена, которые описывают расширенные переменные. В противном случае, ExpandedPredictorNames
совпадает с PredictorNames
.
Типы данных: cell
ModelParameters
— Параметры используются в учебном ClassificationKNN
Это свойство доступно только для чтения.
Параметры использовали в обучении ClassificationKNN
модель, заданная как структура.
Типы данных: struct
Mu
— Средние значения предиктораЭто свойство доступно только для чтения.
Средние значения предиктора, заданные как числовой вектор длины numel(PredictorNames)
.
Если вы не стандартизируете mdl
когда обучение модель с помощью fitcknn
, затем Mu
isempty
).
Типы данных: single
| double
NumObservations
— Количество наблюденийЭто свойство доступно только для чтения.
Количество наблюдений использовало в обучении ClassificationKNN
модель, заданная как положительный целочисленный скаляр. Этот номер может быть меньше количества строк в обучающих данных потому что строки, содержащие NaN
значения не являются частью подгонки.
Типы данных: double
PredictorNames
— Имена переменного предиктораЭто свойство доступно только для чтения.
Имена переменного предиктора, заданные как массив ячеек из символьных векторов. Имена переменных находятся в том же порядке, в котором они появляются в обучающих данных X
.
Типы данных: cell
Prior
— Априорные вероятности для каждого классаАприорные вероятности для каждого класса, заданного как числовой вектор. Порядок элементов в Prior
соответствует порядку классов в ClassNames
.
Добавьте или измените Prior
вектор с помощью записи через точку: mdl.Prior = priorVector
.
Типы данных: single
| double
ResponseName
— Имя переменной откликаЭто свойство доступно только для чтения.
Имя переменной отклика, заданное как вектор символов.
Типы данных: char
RowsUsed
— Строки используются в подборе кривой[]
| логический векторЭто свойство доступно только для чтения.
Строки исходных данных X
используемый в подборе кривой ClassificationKNN
модель, заданная как логический вектор. Это свойство пусто, если все строки используются.
Типы данных: логический
ScoreTransform
— Выиграйте преобразование'none'
(значение по умолчанию) | 'doublelogit'
| 'invlogit'
| 'ismax'
| 'logit'
| указатель на функцию |...Выиграйте преобразование, заданное или как вектор символов или как указатель на функцию.
Эта таблица суммирует доступные векторы символов.
Значение | Описание |
---|---|
'doublelogit' | 1/(1 + e –2x) |
'invlogit' | журнал (x / (1 – x)) |
'ismax' | Устанавливает счет к классу с самым большим счетом к 1 , и устанавливает музыку ко всем другим классам к 0 |
'logit' | 1/(1 + e –x) |
'none' или 'identity' | x (никакое преобразование) |
'sign' | – 1 для x <0 0 для x = 0 1 для x> 0 |
'symmetric' | 2x – 1 |
'symmetricismax' | Устанавливает счет к классу с самым большим счетом к 1 , и устанавливает музыку ко всем другим классам к –1 |
'symmetriclogit' | 2/(1 + e –x) – 1 |
Для функции MATLAB® или функции вы задаете, используете ее указатель на функцию в счете, преобразовывают. Указатель на функцию должен принять матрицу (исходные баллы) и возвратить матрицу, одного размера (преобразованные баллы).
Измените ScoreTransform
использование записи через точку: mdl.ScoreTransform = newScoreTransform
.
Типы данных: char |
function_handle
Sigma
— Стандартные отклонения предиктораЭто свойство доступно только для чтения.
Стандартные отклонения предиктора, заданные как числовой вектор длины numel(PredictorNames)
.
Если вы не стандартизируете переменные предикторы во время обучения, то Sigma
isempty
).
Типы данных: single
| double
W
— Веса наблюденияЭто свойство доступно только для чтения.
Веса наблюдения, заданные как вектор неотрицательных значений с одинаковым числом строк как Y
. Каждая запись в W
задает относительную важность соответствующего наблюдения в Y
.
Типы данных: single
| double
X
— Нестандартизированные данные о предиктореЭто свойство доступно только для чтения.
Нестандартизированные данные о предикторе, заданные как числовая матрица. Каждый столбец X
представляет один предиктор (переменная), и каждая строка представляет одно наблюдение.
Типы данных: single
| double
Y
— Метки классаЭто свойство доступно только для чтения.
Метки класса, заданные как категориальное или символьный массив, логический или числовой вектор или массив ячеек из символьных векторов. Каждое значение в Y
наблюдаемая метка класса для соответствующей строки в X
.
Y
имеет совпадающий тип данных как данные в Y
используемый в обучении модель. (Программное обеспечение обрабатывает строковые массивы как массивы ячеек из символьных векторов.)
Типы данных: single
| double
| logical
| char
| cell
| categorical
HyperparameterOptimizationResults
— Оптимизация перекрестной проверки гиперпараметровBayesianOptimization
возразите | таблицаЭто свойство доступно только для чтения.
Оптимизация перекрестной проверки гиперпараметров, заданных как BayesianOptimization
возразите или таблица гиперпараметров и присваиваемых значений. Это свойство непусто когда 'OptimizeHyperparameters'
аргумент пары "имя-значение" непуст, когда вы создаете модель с помощью fitcknn
. Значение зависит от установки 'HyperparameterOptimizationOptions'
аргумент пары "имя-значение", когда вы создаете модель:
'bayesopt'
(значение по умолчанию) — Объект класса BayesianOptimization
'gridsearch'
или 'randomsearch'
— Таблица гиперпараметров используемые, наблюдаемые значения целевой функции (потеря перекрестной проверки), и ранг наблюдений от самого низкого (лучше всего) к (худшему) самому высокому
compareHoldout | Сравните точность двух моделей классификации с помощью новых данных |
crossval | Перекрестный подтвержденный классификатор k - ближайших соседей |
edge | Ребро классификатора k - ближайших соседей |
loss | Потеря классификатора k - ближайших соседей |
margin | Поле классификатора k - ближайших соседей |
predict | Предскажите метки с помощью модели классификации k - ближайших соседей |
resubEdge | Ребро классификатора k - ближайших соседей перезаменой |
resubLoss | Потеря классификатора k - ближайших соседей перезаменой |
resubMargin | Поле классификатора k - ближайших соседей перезаменой |
resubPredict | Предскажите метки перезамены классификатора k - ближайших соседей |
Обучите классификатор k - ближайших соседей ирисовым данным Фишера, где k, количество самых близких соседей в предикторах, равняется 5.
Загрузите ирисовые данные Фишера.
load fisheriris
X = meas;
Y = species;
X
числовая матрица, которая содержит четыре лепестковых измерения для 150 ирисовых диафрагм. Y
массив ячеек из символьных векторов, который содержит соответствующие ирисовые разновидности.
Обучите 5-самый близкий соседний классификатор. Стандартизируйте некатегориальные данные о предикторе.
Mdl = fitcknn(X,Y,'NumNeighbors',5,'Standardize',1)
Mdl = ClassificationKNN ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'setosa' 'versicolor' 'virginica'} ScoreTransform: 'none' NumObservations: 150 Distance: 'euclidean' NumNeighbors: 5 Properties, Methods
Mdl
обученный ClassificationKNN
классификатор, и некоторые его свойства появляется в Командном окне.
Получить доступ к свойствам Mdl
, используйте запись через точку.
Mdl.ClassNames
ans = 3x1 cell array
{'setosa' }
{'versicolor'}
{'virginica' }
Mdl.Prior
ans = 1×3
0.3333 0.3333 0.3333
Mdl.Prior
содержит априорные вероятности класса, которые можно задать использование 'Prior'
аргумент пары "имя-значение" в fitcknn
. Порядок априорных вероятностей класса соответствует порядку классов в Mdl.ClassNames
. По умолчанию априорные вероятности являются соответствующими относительными частотами классов в данных.
Можно также сбросить априорные вероятности после обучения. Например, установите априорные вероятности на 0,5, 0.2, и 0.3, соответственно.
Mdl.Prior = [0.5 0.2 0.3];
Можно передать Mdl
к predict
пометить новые измерения или crossval
перекрестный подтверждать классификатор.
compact
функция уменьшает размер большинства моделей классификации путем удаления свойств обучающих данных и любых других свойств, которые не требуются, чтобы предсказывать метки новых наблюдений. Поскольку k - самые близкие соседние модели классификации требуют, чтобы все обучающие данные предсказали метки, вы не можете уменьшать размер ClassificationKNN
модель.
knnsearch
находит k - самые близкие соседи точек. rangesearch
находит все точки на фиксированном расстоянии. Можно использовать эти функции в классификации, как показано в Классифицируют Данные о Запросе. Если вы хотите выполнить классификацию, то использование ClassificationKNN
модели могут быть более удобными, потому что можно обучить классификатор за один шаг (использующий fitcknn
) и классифицируйте на другие шаги (использующий predict
). В качестве альтернативы можно обучить k - самая близкая соседняя модель классификации использование одной из опций перекрестной проверки в вызове fitcknn
. В этом случае, fitcknn
возвращает ClassificationPartitionedModel
перекрестный подтвержденный объект модели.
Указания и ограничения по применению:
predict
функционируйте генерация кода поддержек.
Когда вы обучаете k - самая близкая соседняя модель классификации при помощи fitcknn
, следующие ограничения применяются.
Класс помечает значение входного параметра (Y
) не может быть категориальный массив.
Генерация кода не поддерживает категориальные предикторы. Вы не можете снабдить обучающими данными в таблице, которая содержит логический вектор, символьный массив, категориальный массив, массив строк или массив ячеек из символьных векторов. Кроме того, вы не можете использовать 'CategoricalPredictors'
аргумент пары "имя-значение".
Чтобы включать категориальные предикторы в модель, предварительно обработайте категориальные предикторы при помощи dummyvar
прежде, чем подбирать модель.
Значение 'ClassNames'
аргументом пары "имя-значение" не может быть категориальный массив.
Значение 'Distance'
аргументом пары "имя-значение" не может быть пользовательская функция расстояния.
Значение 'DistanceWeight'
аргументом пары "имя-значение" может быть пользовательская функция веса расстояния, но это не может быть анонимная функция.
Значение 'ScoreTransform'
аргументом пары "имя-значение" не может быть анонимная функция.
Для получения дополнительной информации смотрите Введение в Генерацию кода.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.