kfoldLoss

Потеря классификации для перекрестной подтвержденной модели классификации ядер

Синтаксис

loss = kfoldLoss(CVMdl)

loss = kfoldLoss(CVMdl,Name,Value)

Описание

loss = kfoldLoss(CVMdl) возвращает потерю классификации, полученную перекрестной подтвержденной, бинарной моделью ядра (ClassificationPartitionedKernel) CVMdl. Для каждого сгиба, kfoldLoss вычисляет потерю классификации для наблюдений сгиба валидации с помощью модели, обученной на наблюдениях учебного сгиба.

По умолчанию, kfoldLoss возвращает ошибку классификации.

пример

loss = kfoldLoss(CVMdl,Name,Value) возвращает потерю классификации с дополнительными опциями, заданными одним или несколькими аргументами пары "имя-значение". Например, задайте функцию потерь классификации, количество сгибов или уровень агрегации.

Примеры

свернуть все

Оцените Ошибку Классификации Перекрестных проверок k-сгиба

Скрипт Open Live Script

Загрузите ionosphere набор данных. Этот набор данных имеет 34 предиктора, и 351 бинарный ответ для радара возвращается, которые помечены любой плохо ('b') или хороший ('g').

load ionosphere

Перекрестный подтвердите бинарную модель классификации ядер использование данных.

CVMdl = fitckernel(X,Y,'Crossval','on')

CVMdl = 
  classreg.learning.partition.ClassificationPartitionedKernel
    CrossValidatedModel: 'Kernel'
           ResponseName: 'Y'
        NumObservations: 351
                  KFold: 10
              Partition: [1x1 cvpartition]
             ClassNames: {'b'  'g'}
         ScoreTransform: 'none'


  Properties, Methods

CVMdl ClassificationPartitionedKernel модель. По умолчанию программное обеспечение реализует 10-кратную перекрестную проверку. Чтобы задать различное количество сгибов, используйте 'KFold' аргумент пары "имя-значение" вместо 'Crossval'.

Оцените перекрестную подтвержденную потерю классификации. По умолчанию программное обеспечение вычисляет ошибку классификации.

loss = kfoldLoss(CVMdl)

loss = 0.0940

В качестве альтернативы можно получить ошибки классификации на сгиб путем определения пары "имя-значение" 'Mode','individual' в kfoldLoss.

Задайте пользовательскую потерю классификации

Скрипт Open Live Script

load ionosphere

Перекрестный подтвердите бинарную модель классификации ядер использование данных.

CVMdl = fitckernel(X,Y,'Crossval','on')

CVMdl = 
  classreg.learning.partition.ClassificationPartitionedKernel
    CrossValidatedModel: 'Kernel'
           ResponseName: 'Y'
        NumObservations: 351
                  KFold: 10
              Partition: [1x1 cvpartition]
             ClassNames: {'b'  'g'}
         ScoreTransform: 'none'


  Properties, Methods

Создайте анонимную функцию, которая измеряет линейную потерю, то есть,

$L = \frac{\sum_{j} - w_{j} y_{j} f_{j}}{\sum_{j} w_{j}} .$

$w_{j}$ вес для наблюдения j, $y_{j}$ ответ j (–1 для отрицательного класса и 1 в противном случае), и $f_{j}$ необработанная классификационная оценка наблюдения j.

linearloss = @(C,S,W,Cost)sum(-W.*sum(S.*C,2))/sum(W);

Пользовательские функции потерь должны быть написаны в конкретной форме. Для правил о записи пользовательской функции потерь смотрите 'LossFun' аргумент пары "имя-значение".

Оцените перекрестную подтвержденную потерю классификации с помощью линейной функции потерь.

loss = kfoldLoss(CVMdl,'LossFun',linearloss)

loss = -0.7792

Входные параметры

свернуть все

`CVMdl` — Перекрестная подтвержденная, бинарная модель классификации ядер
`ClassificationPartitionedKernel` объект модели

Перекрестная подтвержденная, бинарная модель классификации ядер в виде ClassificationPartitionedKernel объект модели. Можно создать ClassificationPartitionedKernel модель при помощи fitckernel и определение любого из аргументов пары "имя-значение" перекрестной проверки.

Получить оценки, kfoldLoss применяется те же данные раньше перекрестный подтверждали модель классификации ядер (X и Y).

Аргументы в виде пар имя-значение

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: kfoldLoss(CVMdl,'Folds',[1 3 5]) задает, чтобы использовать только первые, третьи, и пятые сгибы, чтобы вычислить потерю классификации.

`'Folds'` — Сверните индексы для предсказания
`1:CVMdl.KFold` (значение по умолчанию) | числовой вектор положительных целых чисел

Сверните индексы для предсказания в виде разделенной запятой пары, состоящей из 'Folds' и числовой вектор положительных целых чисел. Элементы Folds должен быть в диапазоне от 1 к CVMdl.KFold.

Программное обеспечение использует только сгибы, заданные в Folds для предсказания.

Пример: 'Folds',[1 4 10]

Типы данных: single | double

`'LossFun'` — Функция потерь
`'classiferror'` (значение по умолчанию) | `'binodeviance'` | `'exponential'` | `'hinge'` | `'logit'` | `'mincost'` | `'quadratic'` | указатель на функцию

Функция потерь в виде разделенной запятой пары, состоящей из 'LossFun' и встроенное имя функции потерь или указатель на функцию.

Эта таблица приводит доступные функции потерь. Задайте тот с помощью его соответствующего значения.

Значение	Описание
`'binodeviance'`	Биномиальное отклонение
`'classiferror'`	Ошибка классификации
`'exponential'`	Экспоненциал
`'hinge'`	Стержень
`'logit'`	Логистический
`'mincost'`	Минимальный ожидал стоимость misclassification (для классификационных оценок, которые являются апостериорными вероятностями),
`'quadratic'`	Квадратичный

'mincost' подходит для классификационных оценок, которые являются апостериорными вероятностями. Для моделей классификации ядер ученики логистической регрессии возвращают апостериорные вероятности как классификационные оценки по умолчанию, но ученики SVM не делают (см. kfoldPredict).

Задайте свою собственную функцию при помощи обозначения указателя на функцию.
Примите тот n количество наблюдений в X, и K количество отличных классов (numel(CVMdl.ClassNames), где CVMdl входная модель). Ваша функция должна иметь эту подпись:
```
lossvalue = lossfun(C,S,W,Cost)
```
- Выходной аргумент lossvalue скаляр.
- Вы задаете имя функции (lossfun).
- C n- K логическая матрица со строками, указывающими на класс, которому принадлежит соответствующее наблюдение. Порядок следования столбцов соответствует порядку класса в CVMdl.ClassNames.
  Создайте C установкой C(p,q) = 1, если наблюдение p находится в классе q, для каждой строки. Установите все другие элементы строки p к 0.
- S n- K числовая матрица классификационных оценок. Порядок следования столбцов соответствует порядку класса в CVMdl.ClassNamesS матрица классификационных оценок, похожих на выход kfoldPredict.
- W n- 1 числовой вектор весов наблюдения. Если вы передаете W, программное обеспечение нормирует веса, чтобы суммировать к 1.
- Cost K- K числовая матрица затрат misclassification. Например, Cost = ones(K) – eye(K) задает стоимость 0 для правильной классификации и 1 для misclassification.

Пример: 'LossFun', @lossfun

Типы данных: char | string | function_handle

`'Mode'` — Уровень агрегации для выхода
`'average'` (значение по умолчанию) | `'individual'`

Уровень агрегации для выхода в виде разделенной запятой пары, состоящей из 'Mode' и 'average' или 'individual'.

Эта таблица описывает значения.

Значение	Описание
`'average'`	Выход является скалярным средним значением по всем сгибам.
`'individual'`	Выход является вектором длины k, содержащий одно значение на сгиб, где k является количеством сгибов.

Пример: 'Mode','individual'

Выходные аргументы

свернуть все

`loss` — Потеря классификации
числовой скаляр | числовой вектор-столбец

Потеря классификации, возвращенная в виде числа или числового вектор-столбца.

Если Mode 'average', затем loss средняя потеря классификации по всем сгибам. В противном случае, loss k-by-1 числовой вектор-столбец, содержащий потерю классификации для каждого сгиба, где k является количеством сгибов.

Больше о

свернуть все

Потеря классификации

Функции Classification loss измеряют прогнозирующую погрешность моделей классификации. Когда вы сравниваете тот же тип потери среди многих моделей, более низкая потеря указывает на лучшую прогнозную модель.

Предположим следующее:

L является средневзвешенной потерей классификации.
n является объемом выборки.
_yj является наблюдаемой меткой класса. Программные коды это как –1 или 1, указывая на отрицательный или положительный класс, соответственно.
f (_Xj) является необработанной классификационной оценкой для преобразованного наблюдения (строка) j данных о предикторе X с помощью расширения функции.
_mj = _yj f (_Xj) является классификационной оценкой для классификации наблюдения j в класс, соответствующий _yj. Положительные значения _mj указывают на правильную классификацию и не способствуют очень средней потере. Отрицательные величины _mj указывают на неправильную классификацию и способствуют средней потере.
Весом для наблюдения j является _wj. Программное обеспечение нормирует веса наблюдения так, чтобы они суммировали к соответствующей предшествующей вероятности класса. Программное обеспечение также нормирует априорные вероятности так, чтобы они суммировали к 1. Поэтому

$\sum_{j = 1}^{n} w_{j} = 1.$

Эта таблица описывает поддерживаемые функции потерь, которые можно задать при помощи 'LossFun' аргумент пары "имя-значение".

Функция потерь	Значение `LossFun`	Уравнение
Биномиальное отклонение	`'binodeviance'`	$L = \sum_{j = 1}^{n} w_{j} \log {1 + \exp [- 2 m_{j}]} .$
Экспоненциальная потеря	`'exponential'`	$L = \sum_{j = 1}^{n} w_{j} \exp (- m_{j}) .$
Ошибка классификации	`'classiferror'`	$L = \sum_{j = 1}^{n} w_{j} I {{\hat{y}}_{j} \neq y_{j}} .$ Ошибка классификации является взвешенной частью неправильно классифицированных наблюдений где ${\hat{y}}_{j}$ метка класса, соответствующая классу с максимальной апостериорной вероятностью. I {x} является функцией индикатора.
Потеря стержня	`'hinge'`	$L = \sum_{j = 1}^{n} w_{j} \max {0, 1 - m_{j}} .$
Потеря логита	`'logit'`	$L = \sum_{j = 1}^{n} w_{j} \log (1 + \exp (- m_{j})) .$
Минимальная стоимость	`'mincost'`	Программное обеспечение вычисляет взвешенную минимальную стоимость с помощью этой процедуры в наблюдениях j = 1..., n. Оцените 1 K вектором ожидаемых затрат классификации для наблюдения j: $γ_{j} = f {(X_{j})}^{'} C .$ f (_Xj) является вектор-столбцом апостериорных вероятностей класса. C является матрицей стоимости, которую входная модель хранит в `Cost` свойство. Для наблюдения j предскажите метку класса, соответствующую минимальной ожидаемой стоимости классификации: ${\hat{y}}_{j} = \min_{j = 1, ..., K} (γ_{j}) .$ Используя C, идентифицируйте, что стоимость подверглась (_cj) для того, чтобы сделать предсказание. Взвешенная, средняя, минимальная потеря стоимости $L = \sum_{j = 1}^{n} w_{j} c_{j} .$
Квадратичная потеря	`'quadratic'`	$L = \sum_{j = 1}^{n} w_{j} {(1 - m_{j})}^{2} .$

Этот рисунок сравнивает функции потерь (кроме минимальной стоимости) для одного наблюдения по m. Некоторые функции нормированы, чтобы пройти [0,1].

Документация

kfoldLoss

Синтаксис

Описание

Примеры

Оцените Ошибку Классификации Перекрестных проверок k-сгиба

Задайте пользовательскую потерю классификации

Входные параметры

`CVMdl` — Перекрестная подтвержденная, бинарная модель классификации ядер
`ClassificationPartitionedKernel` объект модели

Аргументы в виде пар имя-значение

`'Folds'` — Сверните индексы для предсказания
`1:CVMdl.KFold` (значение по умолчанию) | числовой вектор положительных целых чисел

`'LossFun'` — Функция потерь
`'classiferror'` (значение по умолчанию) | `'binodeviance'` | `'exponential'` | `'hinge'` | `'logit'` | `'mincost'` | `'quadratic'` | указатель на функцию

`'Mode'` — Уровень агрегации для выхода
`'average'` (значение по умолчанию) | `'individual'`

Выходные аргументы

`loss` — Потеря классификации
числовой скаляр | числовой вектор-столбец

Больше о

Потеря классификации

Смотрите также

Введенный в R2018b

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

kfoldLoss

Синтаксис

Описание

Примеры

Оцените Ошибку Классификации Перекрестных проверок k-сгиба

Задайте пользовательскую потерю классификации

Входные параметры

CVMdl — Перекрестная подтвержденная, бинарная модель классификации ядер ClassificationPartitionedKernel объект модели

Аргументы в виде пар имя-значение

'Folds' — Сверните индексы для предсказания 1:CVMdl.KFold (значение по умолчанию) | числовой вектор положительных целых чисел

'LossFun' — Функция потерь 'classiferror' (значение по умолчанию) | 'binodeviance' | 'exponential' | 'hinge' | 'logit' | 'mincost' | 'quadratic' | указатель на функцию

'Mode' — Уровень агрегации для выхода 'average' (значение по умолчанию) | 'individual'

Выходные аргументы

loss — Потеря классификации числовой скаляр | числовой вектор-столбец

Больше о

Потеря классификации

Смотрите также

Введенный в R2018b

Документация Statistics and Machine Learning Toolbox

Поддержка

`CVMdl` — Перекрестная подтвержденная, бинарная модель классификации ядер
`ClassificationPartitionedKernel` объект модели

`'Folds'` — Сверните индексы для предсказания
`1:CVMdl.KFold` (значение по умолчанию) | числовой вектор положительных целых чисел

`'LossFun'` — Функция потерь
`'classiferror'` (значение по умолчанию) | `'binodeviance'` | `'exponential'` | `'hinge'` | `'logit'` | `'mincost'` | `'quadratic'` | указатель на функцию

`'Mode'` — Уровень агрегации для выхода
`'average'` (значение по умолчанию) | `'individual'`

`loss` — Потеря классификации
числовой скаляр | числовой вектор-столбец