kfoldPredict

Предскажите ответ для наблюдений, не используемых для обучения

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 из 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

Оцените предсказания перекрестной проверки от ансамбля

Скрипт Open Live Script

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 Используя предсказания перекрестной проверки

Скрипт Open Live Script

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

Стойте (дискриминантный анализ)

average misclassification cost является средним значением misclassification стоимость для предсказаний, сделанных перекрестными подтвержденными классификаторами, обученными на наблюдениях из сгиба. Матрица ожидаемых затрат на наблюдение задана в Стоимости.

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