Класс: ClassificationTree
Предскажите метки перезамены дерева классификации
label = resubPredict(tree)
[label,posterior]
= resubPredict(tree)
[label,posterior,node]
= resubPredict(tree)
[label,posterior,node,cnum]
= resubPredict(tree)
[label,...] = resubPredict(tree,Name,Value)
label = resubPredict(tree)tree предсказывает для данных tree.XМетка прогнозы tree на данных, что fitctree используемый, чтобы создать tree.
[ возвращает следующие вероятности класса для прогнозов.label,posterior]
= resubPredict(tree)
[ возвращает количества узла label,posterior,node]
= resubPredict(tree)tree для повторно подставленных данных.
[ возвращает предсказанные классификационные индексы для прогнозов.label,posterior,node,cnum]
= resubPredict(tree)
[label,...] = resubPredict( возвращает прогнозы перезамены с дополнительными опциями, заданными одним или несколькими tree,Name,Value)Name,Value парные аргументы.
|
Ответ Если |
|
Матрица или массив апостериорных вероятностей для классов Если Если |
|
Количества узла Если Если |
|
Классификационные индексы, что Если Если |
Найдите общее количество misclassifications ирисовых данных Фишера для дерева классификации.
load fisheriris tree = fitctree(meas,species); Ypredict = resubPredict(tree); % The predictions Ysame = strcmp(Ypredict,species); % True when == sum(~Ysame) % How many are different?
ans = 3
Загрузите ирисовый набор данных Фишера. Разделите данные в обучение (50%)
load fisheririsВырастите дерево классификации использование всех лепестковых измерений.
Mdl = fitctree(meas(:,3:4),species); n = size(meas,1); % Sample size K = numel(Mdl.ClassNames); % Number of classes
Просмотрите дерево классификации.
view(Mdl,'Mode','graph');
Дерево классификации имеет четыре уровня сокращения. Уровень 0 является полным, несокращенным деревом (как отображено). Уровень 4 является только корневым узлом (т.е. никакие разделения).
Оцените апостериорные вероятности для каждого класса с помощью поддеревьев, сокращенных к уровням 1 и 3.
[~,Posterior] = resubPredict(Mdl,'SubTrees',[1 3]);Posterior n- K- 2 массива апостериорных вероятностей. Строки Posterior соответствуйте наблюдениям, столбцы соответствуют классам с порядком Mdl.ClassNames, и страницы соответствуют сокращению уровня.
Отобразите апостериорные вероятности класса для ирисовой диафрагмы 125 использований каждого поддерева.
Posterior(125,:,:)
ans =
ans(:,:,1) =
0 0.0217 0.9783
ans(:,:,2) =
0 0.5000 0.5000
Пень решения (страница 2 Posterior) испытывает затруднения при предсказании, является ли ирисовая диафрагма 125 versicolor или virginica.
Апостериорная вероятность классификации в узле является количеством обучающих последовательностей, которые приводят к тому узлу с этой 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 является ложным в противном случае.
Сгенерируйте 100 случайных точек и классифицируйте их:
rng(0) % 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 меньше 0.15 как true. Это также правильно классифицирует наблюдения между.15 и.94 как false. Однако это неправильно классифицирует наблюдения, которые больше.94 как false. Поэтому счет к наблюдениям, которые больше.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 меньше 0.15, сопоставил баллы (левые и центральные столбцы) 0 и 1, в то время как другие значения X сопоставили множество 0.94 и 0.06.
fitctree | predict | resubEdge | resubLoss | resubMargin