kfoldPredict

Предскажите ответ для наблюдений, не используемых в обучении

Синтаксис

label = kfoldPredict(obj)
[label,score] = kfoldPredict(obj)
[label,score,cost] = kfoldPredict(obj)

Описание

label = kfoldPredict(obj) возвращает метки класса, предсказанные obj, перекрестная подтвержденная классификация. Для каждого сгиба, kfoldPredict предсказывает, что метки класса для окутывают наблюдения с помощью модели, обученной на наблюдениях из сгиба.

[label,score] = kfoldPredict(obj) возвращается предсказанные классификационные оценки для окутывают наблюдения с помощью модели, обученной на наблюдениях из сгиба.

[label,score,cost] = kfoldPredict(obj) возвращает затраты misclassification.

Входные параметры

obj

Объект класса ClassificationPartitionedModel или ClassificationPartitionedEnsemble.

Выходные аргументы

label

Вектор меток класса того же типа как данные об ответе используется в учебном obj. (Программное обеспечение обрабатывает строковые массивы как массивы ячеек из символьных векторов.) Каждая запись label соответствует предсказанной метке класса для соответствующей строки X.

score

Числовая матрица размера N- K, где N количество наблюдений (строки) в obj.X, и K количество классов (в obj.ClassNames). score(i,j) представляет доверие та строка i из obj.X имеет класс j. Для получения дополнительной информации смотрите Больше О.

cost

Числовая матрица misclassification затрат на размер N- K. cost(i,j) среднее значение misclassification стоимость предсказания той строки i из obj.X имеет класс j.

Примеры

развернуть все

Найдите предсказания перекрестной проверки для основанного на модели на ирисовых данных Фишера.

Загрузите ирисовый набор данных Фишера.

load fisheriris

Обучите ансамбль деревьев классификации с помощью AdaBoostM2. Задайте пни как слабых учеников.

rng(1); % For reproducibility
t = templateTree('MaxNumSplits',1);
Mdl = fitcensemble(meas,species,'Method','AdaBoostM2','Learners',t);

Крест подтверждает обученный ансамбль, использующий 10-кратную перекрестную проверку.

CVMdl = crossval(Mdl);

Оцените предсказанные метки перекрестной проверки и баллы.

[elabel,escore] = kfoldPredict(CVMdl);

Отобразите максимальное и минимальное множество каждого класса.

max(escore)
ans = 1×3

    9.3862    8.9871   10.1866

min(escore)
ans = 1×3

    0.0018    3.8359    0.9573

Создайте матрицу беспорядка использование 10-кратных предсказаний перекрестной проверки модели дискриминантного анализа.

Загрузите fisheriris набор данных. X содержит цветочные измерения для 150 различных цветов и y перечисляет разновидности или класс, для каждого цветка. Создайте переменную order это задает порядок классов.

load fisheriris
X = meas;
y = species;
order = unique(y)
order = 3x1 cell
    {'setosa'    }
    {'versicolor'}
    {'virginica' }

Создайте 10-кратную перекрестную подтвержденную модель дискриминантного анализа при помощи fitcdiscr функция. По умолчанию, fitcdiscr гарантирует, что наборы обучающих данных и наборы тестов имеют примерно те же пропорции цветочных разновидностей. Задайте порядок цветочных классов.

cvmdl = fitcdiscr(X,y,'KFold',10,'ClassNames',order);

Предскажите разновидности цветов набора тестов.

predictedSpecies = kfoldPredict(cvmdl);

Создайте матрицу беспорядка, которая сравнивает истинные значения класса с предсказанными значениями класса.

confusionchart(y,predictedSpecies)

Больше о

развернуть все

Для просмотра документации необходимо авторизоваться на сайте