Поля классификации перезамены для модели выходных кодов с коррекцией ошибок (ECOC) мультикласса
m = resubMargin(Mdl)m) для модели Mdl выходных кодов с коррекцией ошибок (ECOC) мультикласса использование обучающих данных сохранено в Mdl.X и соответствующие метки класса сохранены в Mdl.Y.
m возвращен как числовой вектор-столбец с той же длиной как Mdl.Y. Программное обеспечение оценивает каждую запись m использование обученной модели ECOC Mdl, соответствующая строка Mdl.X, и истинная метка Mdl.Y класса.
m = resubMargin(Mdl,Name,Value)
Вычислите поля классификации перезамены для модели ECOC с бинарными учениками SVM.
Загрузите ирисовый набор данных Фишера. Задайте данные о предикторе X и данные об ответе Y.
load fisheriris
X = meas;
Y = species;Обучите модель ECOC с помощью двоичных классификаторов SVM. Стандартизируйте предикторы с помощью шаблона SVM и задайте порядок класса.
t = templateSVM('Standardize',true);
classOrder = unique(Y)classOrder = 3x1 cell
{'setosa' }
{'versicolor'}
{'virginica' }
Mdl = fitcecoc(X,Y,'Learners',t,'ClassNames',classOrder);
t объект шаблона SVM. Во время обучения программное обеспечение использует значения по умолчанию для пустых свойств в t. Mdl ClassificationECOC модель.
Вычислите поля классификации для наблюдений раньше обучали Mdl. Отобразите распределение полей с помощью коробчатой диаграммы.
m = resubMargin(Mdl);
boxplot(m)
title('In-Sample Margins')
Поле классификации наблюдения является отрицаемой потерей положительного класса минус отрицаемая потеря максимального отрицательного класса. Выберите классификаторы, которые дают к относительно большим полям.
Выполните выбор признаков путем сравнения полей обучающей выборки от многоуровневых моделей. Базирующийся только на этом сравнении, модель с самыми большими полями является лучшей моделью.
Загрузите ирисовый набор данных Фишера. Задайте два набора данных:
fullX содержит все четыре предиктора.
partX содержит измерения чашелистика только.
load fisheriris
X = meas;
fullX = X;
partX = X(:,1:2);
Y = species;Обучите модель ECOC с помощью двоичных учеников SVM для каждого набора предиктора. Стандартизируйте предикторы с помощью шаблона SVM, задайте порядок класса и вычислите апостериорные вероятности.
t = templateSVM('Standardize',true);
classOrder = unique(Y)classOrder = 3x1 cell
{'setosa' }
{'versicolor'}
{'virginica' }
FullMdl = fitcecoc(fullX,Y,'Learners',t,'ClassNames',classOrder,... 'FitPosterior',true); PartMdl = fitcecoc(partX,Y,'Learners',t,'ClassNames',classOrder,... 'FitPosterior',true);
Вычислите поля перезамены для каждого классификатора. Для каждой модели отобразите распределение полей с помощью коробчатой диаграммы.
fullMargins = resubMargin(FullMdl); partMargins = resubMargin(PartMdl); boxplot([fullMargins partMargins],'Labels',{'All Predictors','Two Predictors'}) title('Training-Sample Margins')
Граничное распределение FullMdl расположен выше и имеет меньше изменчивости, чем граничное распределение PartMdl. Этот результат предполагает, что модель, обученная со всеми предикторами, соответствует обучающим данным лучше.
Чтобы сравнить поля или ребра нескольких классификаторов ECOC, используйте объекты шаблона, чтобы указать, что общий счет преобразовывает функцию среди классификаторов во время обучения.
[1] Allwein, E., Р. Шапайр и И. Зингер. “Уменьшая мультикласс до двоичного файла: подход объединения для поля classifiers”. Журнал Исследования Машинного обучения. Издание 1, 2000, стр 113–141.
[2] Escalera, S., О. Пуджол и П. Радева. “На процессе декодирования в троичных выходных кодах с коррекцией ошибок”. Транзакции IEEE согласно Анализу Шаблона и Искусственному интеллекту. Издание 32, Выпуск 7, 2010, стр 120–134.
[3] Escalera, S., О. Пуджол и П. Радева. “Отделимость троичных кодов для разреженных проектов выходных кодов с коррекцией ошибок”. Шаблон Recogn. Издание 30, Выпуск 3, 2009, стр 285–297.
ClassificationECOC | fitcecoc | margin | predict | resubEdge | resubLoss | resubPredict