kfoldMargin

Поля классификации для наблюдений, не используемых для обучения

Синтаксис

M = kfoldMargin(obj)

Описание

M = kfoldMargin(obj) возвращает поля классификации, полученные перекрестной подтвержденной моделью obj классификации. Для каждого сгиба этот метод вычисляет поля классификации для, окутывают наблюдения с помощью модели, обученной на наблюдениях из сгиба.

Входные параметры

obj

Разделенная модель классификации типа ClassificationPartitionedModel или ClassificationPartitionedEnsemble.

Выходные аргументы

`M`	Поле классификации.

Примеры

развернуть все

Оцените Поля k-сгиба Классификатора

Скрипт Open Live Script

Найдите поля k-сгиба для ансамбля, который классифицирует ionosphere данные.

Загрузите ionosphere набор данных.

load ionosphere

Создайте пень шаблона.

t = templateTree('MaxNumSplits',1);

Обучите ансамбль классификации деревьев решений. Задайте t как слабый ученик.

Mdl = fitcensemble(X,Y,'Method','AdaBoostM1','Learners',t);

Крест подтверждает классификатор с помощью 10-кратной перекрестной проверки.

cvens = crossval(Mdl);

Вычислите поля k-сгиба. Отобразите итоговую статистику для полей.

m = kfoldMargin(cvens);
marginStats = table(min(m),mean(m),max(m),...
    'VariableNames',{'Min','Mean','Max'})

marginStats=1×3 table
      Min       Mean      Max  
    _______    ______    ______

    -11.312    7.3236    23.517

Больше о

развернуть все

Поле

Классификация margin является различием между классификацией score для истинного класса и максимальной классификационной оценкой для ложных классов.

Поле классификации является вектор-столбцом с одинаковым числом строк как в матричном X. Высокое значение поля указывает на более надежное предсказание, чем низкая стоимость.

Счет

Для дискриминантного анализа score классификации является апостериорной вероятностью классификации. Для определения апостериорной вероятности в дискриминантном анализе смотрите Апостериорную вероятность.

Для ансамблей классификация score представляет доверие классификации в класс. Чем выше счет, тем выше доверие.

Различные алгоритмы ансамбля имеют различные определения для своих баллов. Кроме того, область значений баллов зависит от типа ансамбля. Например:

AdaBoostM1 баллы располагаются от – ∞ к ∞.
Bag баллы лежат в диапазоне от 0 к 1.

Для деревьев score классификации вершины является апостериорной вероятностью классификации в том узле. Апостериорная вероятность классификации в узле является количеством обучающих последовательностей, которые приводят к тому узлу с классификацией, разделенной на количество обучающих последовательностей, которые приводят к тому узлу.

Например, считайте классификацию предиктора X как true когда X< 0.15 или X> 0.95 , и X является ложным в противном случае.

Сгенерируйте 100 случайных точек и классифицируйте их:

rng(0,'twister') % for reproducibility
X = rand(100,1);
Y = (abs(X - .55) > .4);
tree = fitctree(X,Y);
view(tree,'Mode','Graph')

Сократите дерево:

tree1 = prune(tree,'Level',1);
view(tree1,'Mode','Graph')

Сокращенное дерево правильно классифицирует наблюдения, которые меньше 0.15 как true. Это также правильно классифицирует наблюдения от.15 до.94 как false. Однако это неправильно классифицирует наблюдения, которые больше.94 как false. Поэтому счет к наблюдениям, которые больше.15, должен быть о.05/.85 =. 06 для true, и о.8/.85 =. 94 для false.

Вычислите музыку предсказания к первым 10 строкам X:

[~,score] = predict(tree1,X(1:10));
[score X(1:10,:)]

ans = 10×3

    0.9059    0.0941    0.8147
    0.9059    0.0941    0.9058
         0    1.0000    0.1270
    0.9059    0.0941    0.9134
    0.9059    0.0941    0.6324
         0    1.0000    0.0975
    0.9059    0.0941    0.2785
    0.9059    0.0941    0.5469
    0.9059    0.0941    0.9575
    0.9059    0.0941    0.9649

Действительно, каждое значение X (крайний правый столбец), который меньше 0.15, сопоставил баллы (левые и центральные столбцы) 0 и 1, в то время как другие значения X сопоставили множество 0.91 и 0.09. Различие (выигрывают 0.09 вместо ожидаемого .06) происходит из-за статистического колебания: существует 8 наблюдения в X в области значений (.95,1) вместо ожидаемого 5 наблюдения.

Документация