Имя классификатора возражает в виде вектора символов. Используйте запись через точку, чтобы установить это свойство.

Пример: 'cp_kfold'

Типы данных: char

Описание объекта в виде вектора символов. Используйте запись через точку, чтобы установить это свойство.

Пример: 'performance_data_kfold'

Типы данных: char

Это свойство доступно только для чтения.

Уникальный набор истинных меток от groundTruthВ виде вектора положительных целых чисел или массива ячеек из символьных векторов. Это свойство эквивалентно выходу, когда вы запускаетесь уникальный (groundTruth).

Пример: {'ovarian','liver','normal'}

Типы данных: double | cell

Это свойство доступно только для чтения.

Истинные метки для всех наблюдений в вашем наборе данных в виде вектора положительных целых чисел или массива ячеек из символьных векторов.

Пример: {'ovarian','liver','normal','ovarian','ovarian','liver'}

Типы данных: double | cell

Это свойство доступно только для чтения.

Количество наблюдений в вашем наборе данных в виде положительного целого числа.

Пример: 200

Типы данных: double

Индексы к классам управления от истинных меток (ClassLabels) в виде вектора положительных целых чисел. Это свойство указывает на управление (или отрицательный) классы в диагностическом тесте. По умолчанию, ControlClasses содержит все классы кроме первого класса, возвращенного grp2idx (groundTruth).

Можно установить это свойство при помощи записи через точку или 'Negative' аргумент пары "имя-значение" с classperf функция.

Пример 3

Типы данных: double

Индексы к целевым классам от истинных меток (ClassLabels) в виде вектора положительных целых чисел. Это свойство указывает на цель (или положительный) классы в диагностическом тесте. По умолчанию, TargetClasses содержит первый класс, возвращенный grp2idx (groundTruth).

Можно установить это свойство при помощи записи через точку или 'Positive' аргумент пары "имя-значение" с classperf функция.

Пример: [1 2]

Типы данных: double

Это свойство доступно только для чтения.

Количество оценок для каждой выборки во время валидации в виде числового вектора. Например, если вы используете перезамену, SampleDistribution вектор из единиц и ValidationCounter = 1. Если у вас есть 10-кратная перекрестная проверка, SampleDistribution также вектор из единиц, но ValidationCounter = 10.

SampleDistribution полезно при выполнении разделов Монте-Карло наборов тестов, и это может помочь определить, тестируется ли каждая выборка равное количество времен.

Пример: [0 0 2 0]

Типы данных: double

Это свойство доступно только для чтения.

Частота misclassification каждой выборки в виде числового вектора.

Пример: [0 0 1 0]

Типы данных: double

Это свойство доступно только для чтения.

Частота истинных классов во время валидации в виде числового вектора.

Пример: [10 10 0]

Типы данных: double

Это свойство доступно только для чтения.

Частота ошибок для каждого класса во время валидации в виде числового вектора.

Пример: [0 0 0]

Типы данных: double

Это свойство доступно только для чтения.

Количество валидаций в виде положительного целого числа.

Пример: 10

Типы данных: double

Это свойство доступно только для чтения.

Матрица беспорядка классификации в виде числового массива. Порядок строк и столбцов в матрице эквивалентен в grp2idx(groundTruth). Столбцы представляют истинные классы, и строки представляют предсказание классификатора. Последняя строка в CountingMatrix резервируется для подсчета неокончательных результатов.

Пример: [10 0 0;0 10 0; 0 0 0; 0 0 0]

Типы данных: double

Это свойство доступно только для чтения.

Правильный уровень классификатора в виде положительной скалярной величины. CorrectRate задан как количество правильно классифицированных выборок, разделенных на количество классифицированных выборок. Неокончательные результаты не считаются.

Пример 1

Типы данных: double

Это свойство доступно только для чтения.

Коэффициент ошибок классификатора в виде положительной скалярной величины. ErrorRate задан как количество неправильно классифицированных выборок, разделенных на количество классифицированных выборок. Неокончательные результаты не считаются.

Пример: 0

Типы данных: double

Это свойство доступно только для чтения.

Правильный уровень классификатора во время последней валидации, запущенной в виде положительной скалярной величины. В отличие от CorrectRate, LastCorrectRate только применяется к оцененным выборкам от нового запуска валидации объекта управления классификатора.

Пример 1

Типы данных: double

Это свойство доступно только для чтения.

Коэффициент ошибок классификатора во время последней валидации, запущенной в виде положительной скалярной величины. В отличие от ErrorRate, LastErrorRate только применяется к оцененным выборкам от нового запуска валидации объекта управления классификатора.

Пример: 0

Типы данных: double

Это свойство доступно только для чтения.

Неокончательный уровень классификатора в виде положительной скалярной величины. InconclusiveRate задан как количество незасекреченных (неокончательных) выборок, разделенных на общее количество выборок.

Пример: 0

Типы данных: double

Это свойство доступно только для чтения.

Классифицированный уровень классификатора в виде положительной скалярной величины. ClassifiedRate задан как количество классифицированных выборок, разделенных на общее количество выборок.

Пример 1

Типы данных: double

Это свойство доступно только для чтения.

Чувствительность классификатора в виде положительной скалярной величины. Sensitivity задан как количество правильно классифицированных положительных выборок, разделенных на количество истинных положительных выборок.

Неокончательные результаты, которые являются истинными положительными сторонами, считаются как ошибки для вычисления Sensitivity. Другими словами, неокончательные результаты могут уменьшить диагностическое значение теста.

Пример 1

Типы данных: double

Это свойство доступно только для чтения.

Специфика классификатора в виде положительной скалярной величины. Specificity задан как количество правильно классифицированных отрицательных выборок, разделенных на количество истинных отрицательных выборок.

Неокончательные результаты, которые являются истинными отрицательными сторонами, считаются как ошибки для вычисления Specificity. Другими словами, неокончательные результаты могут уменьшить диагностическое значение теста.

Пример: 0.8

Типы данных: double

Это свойство доступно только для чтения.

Положительное прогнозирующее значение классификатора в виде положительной скалярной величины. PositivePredictiveValue задан как количество правильно классифицированных положительных выборок, разделенных на количество положительных классифицированных выборок.

Неокончательные результаты классифицируются как отрицательные при вычислении PositivePredictiveValue.

Пример 1

Типы данных: double

Это свойство доступно только для чтения.

Отрицательное прогнозирующее значение классификатора в виде положительной скалярной величины. NegativePredictiveValue задан как количество правильно классифицированных отрицательных выборок, разделенных на количество отрицательных классифицированных выборок.

Неокончательные результаты классифицируются как положительные при вычислении NegativePredictiveValue.

Пример 1

Типы данных: double

Это свойство доступно только для чтения.

Положительная вероятность классификатора в виде положительной скалярной величины. PositiveLikelihood задан как Sensitivity / (1 - Specificity).

Пример 5

Типы данных: double

Это свойство доступно только для чтения.

Отрицательная вероятность классификатора в виде положительной скалярной величины. NegativeLikelihood задан как (1 - Sensitivity)/Specificity.

Пример: 0

Типы данных: double

Это свойство доступно только для чтения.

Распространенность классификатора в виде положительной скалярной величины. Prevalence задан как количество истинных положительных выборок, разделенных на общее количество выборок.

Пример 1

Типы данных: double

Это свойство доступно только для чтения.

Диагностическая таблица в виде two-two числового массива. Первая строка указывает на количество выборок, классифицированных как положительное с количеством истинных положительных сторон в первом столбце и количеством ложных положительных сторон во втором столбце. Вторая строка указывает на количество выборок, классифицированных как отрицательное с количеством ложных отрицательных сторон в первом столбце и количеством истинных отрицательных сторон во втором столбце.

Правильные классификации появляются в диагональных элементах, и ошибки появляются в недиагональных элементах. Неокончательные результаты рассматриваются ошибками и считаются в недиагональных элементах. Для примера смотрите Диагностический Табличный Пример.

Пример: [20 0;0 0]

Типы данных: double