Exponenta Banner

roc

Рабочая характеристика получателя

Синтаксис

[tpr,fpr,thresholds] = roc(targets,outputs)

Описание

Рабочая характеристика получателя является метрикой, используемой, чтобы проверять качество классификаторов. Для каждого класса классификатора, roc применяет пороговые значения через интервал [0,1] к выходным параметрам. Для каждого порога два значения вычисляются, Истинное положительное отношение (TPR) и Ложное положительное отношение (FPR). Для конкретного класса i TPR является количеством выходных параметров, фактический и предсказанный класс которых является классом i, разделенный на количество выходных параметров, предсказанный класс которых является классом i. FPR является количеством выходных параметров, фактический класс которых не является классом, i, но предсказанный класс является классом i, разделенный на количество выходных параметров, предсказанный класс которых не является классом i.

Можно визуализировать результаты этой функции с plotroc.

[tpr,fpr,thresholds] = roc(targets,outputs) берет эти аргументы:

targets

S- Q матрица, где каждый вектор-столбец содержит один 1 значение, со всеми другими элементами 0. Индекс 1 указывает который из S категории, которые представляет вектор.

outputs

S- Q матрица, где каждый столбец содержит значения в области значений [0,1]. Индекс самого большого элемента в столбце указывает который из S категории тот вектор подарки. Поочередно, 1- Q вектор, где значения, больше или равные 0.5 укажите на членство в классе и значения ниже 0.5, нечленство.

и возвращает эти значения:

tpr

1- S массив ячеек 1- N отношения true-positive/positive.

fpr

1- S массив ячеек 1- N отношения false-positive/negative.

thresholds

1- S массив ячеек 1- N пороги на интервале [0,1].

roc(targets,outputs) берет эти аргументы:

targets

1- Q матрица булевых значений, указывающих на членство в классе.

outputs

S- Q матрица, значений в [0,1] интервал, где значения, больше, чем или равный 0.5 укажите на членство в классе.

и возвращает эти значения:

tpr

1- N вектор true-positive/positive отношений.

fpr

1- N вектор false-positive/negative отношений.

thresholds

1- N вектор порогов на интервале [0,1].

Примеры

load iris_dataset
net = patternnet(20);
net = train(net,irisInputs,irisTargets);
irisOutputs = sim(net,irisInputs);
[tpr,fpr,thresholds] = roc(irisTargets,irisOutputs)

Смотрите также

|

Введенный в R2008a

Документация Deep Learning Toolbox
Поддержка