error

Ошибка (misclassification вероятность или MSE)

Синтаксис

err = error(B,TBLnew,Ynew) err = error(B,Xnew,Ynew) err = error(B,TBLnew,Ynew,'param1',val1,'param2',val2,...) err = error(B,Xnew,Ynew,'param1',val1,'param2',val2,...)

Описание

err = error(B,TBLnew,Ynew) вычисляет misclassification вероятность для деревьев классификации или среднеквадратическую ошибку (MSE) для деревьев регрессии для каждого дерева, для предикторов, содержавшихся в таблице TBLnew учитывая истинный ответ Ynew. Можно не использовать Ynew если TBLnew содержит переменную отклика. Если вы обучили B с помощью выборочных данных, содержавшихся в таблице, затем, входные данные для этого метода должны также быть в таблице.

err = error(B,Xnew,Ynew) вычисляет misclassification вероятность для деревьев классификации или среднеквадратическую ошибку (MSE) для деревьев регрессии для каждого дерева, для предикторов, содержавшихся в матричном Xnew учитывая истинный ответ Ynew. Если вы обучили B с помощью выборочных данных, содержавшихся в матрице, затем, входные данные для этого метода должны также быть в матрице.

Для классификации, Ynew может быть числовой вектор, символьная матрица, массив строк, массив ячеек из символьных векторов, категориальный вектор или логический вектор. Для регрессии, Y должен быть числовой вектор. err вектор с одной ошибочной мерой для каждого NTrees деревья в ансамбле B.

err = error(B,TBLnew,Ynew,'param1',val1,'param2',val2,...) или err = error(B,Xnew,Ynew,'param1',val1,'param2',val2,...) задает дополнительные пары "имя-значение" параметра:

`'Mode'`	Вектор символов или строковый скаляр, указывающий, как метод вычисляет ошибки. Если установлено в `'cumulative'` (значение по умолчанию), `error` вычисляет совокупные ошибки и `err` вектор из длины `NTrees`, где первый элемент дает ошибку от `trees(1)`, второй элемент дает ошибку from`trees(1:2)` и т.д., до `trees(1:NTrees)`. Если установлено в `'individual'`, `err` вектор из длины `NTrees`, где каждым элементом является ошибка от каждого дерева в ансамбле. Если установлено в `'ensemble'`, `err` скаляр, показывающий совокупную ошибку для целого ансамбля.
`'Weights'`	Вектор из весов наблюдения, чтобы использовать для ошибочного усреднения. По умолчанию вес каждого наблюдения равняется 1. Длина этого вектора должна быть равна количеству строк в `X`.
`'Trees'`	Вектор из индексов, указывающих, что деревья включать в это вычисление. По умолчанию этот аргумент установлен в `'all'` и метод использует все деревья. Если `'Trees'` числовой вектор, метод возвращает вектор из длины `NTrees` для `'cumulative'` и `'individual'` режимы, где `NTrees` число элементов во входном векторе и скаляр для `'ensemble'` режим. Например, в `'cumulative'` режим, первый элемент дает ошибку от `trees(1)`, второй элемент дает ошибку от `trees(1:2)` и т.д.
`'TreeWeights'`	Вектор из древовидных весов. Этот вектор должен иметь ту же длину как `'Trees'` вектор. Метод использует эти веса, чтобы объединить выход от заданных деревьев путем взятия взвешенного среднего вместо простого невзвешенного решения большинством голосов. Вы не можете использовать этот аргумент в `'individual'` режим.
`'UseInstanceForTree'`	Логическая матрица размера `Nobs`- `NTrees` указание, которое деревья должны использоваться, чтобы сделать предсказаниями для каждого наблюдения. По умолчанию метод использует все деревья для всех наблюдений.

Алгоритмы

При оценке ошибки ансамбля:

Используя 'Mode' аргумент пары "имя-значение", можно задать, чтобы возвратить ошибку любой из этих трех путей:
- Ошибка для отдельных деревьев в ансамбле
- Совокупная ошибка по всем деревьям
- Ошибка для целого ансамбля
Используя 'Trees' аргумент пары "имя-значение", можно задать который деревья использовать в ошибочных вычислениях ансамбля.
Используя 'UseInstanceForTree' аргумент пары "имя-значение", можно задать который наблюдения во входных данных (X и Y) использовать в ошибочном вычислении ансамбля для каждого выбранного дерева.
Используя 'Weights' аргумент пары "имя-значение", можно приписать каждое наблюдение с весом. Для формул, которые следуют, _wj является весом наблюдения j.
Используя 'TreeWeights' аргумент пары "имя-значение", можно приписать каждое дерево с весом.

Для проблем регрессии, error оценивает взвешенный MSE ансамбля сложенных в мешок деревьев регрессии для предсказания Y учитывая X использование выбранных деревьев и наблюдений.

error предсказывает ответы для выбранных наблюдений в X использование выбранных деревьев регрессии в ансамбле.
Оценка MSE зависит от значения 'Mode'.
- Если вы задаете 'Mode','Individual', затем взвешенный MSE для древовидного t
  
  ${MSE}_{t} = \frac{1}{\sum_{j = 1}^{n} w_{j}} \sum_{j = 1}^{n} w_{j} {(y_{j} - {\hat{y}}_{t j})}^{2} .$
  ${\hat{y}}_{t j}$ предсказанный ответ наблюдения j от выбранного дерева регрессии t. error наборы любые отменявшие наблюдения в выбранном дереве к взвешенному демонстрационному среднему значению наблюдаемых ответов обучающих данных.
- Если вы задаете 'Mode','Cumulative', затем взвешенный MSE является вектором из размера, T^* содержащий совокупный, взвешенный MSEs по T^* ≤ T выбрал деревья. error выполняет эти шаги, чтобы оценить, что MSE_t^*, совокупное, взвесил MSE, использование первого t выбрало деревья.
  1. Для выбранного наблюдения j, j = 1..., n, error оценки ${\hat{y}}_{bag, t j}$ , взвешенное среднее предсказаний среди первого t выбрало деревья (для получения дополнительной информации смотрите predict). Для этого расчета, error использует древовидные веса.
  2. error оценивает совокупный, взвешенный MSE через древовидный t.
    
    ${MSE}_{t}^{*} = \frac{1}{\sum_{j = 1}^{n} w_{j}} \sum_{j = 1}^{n} w_{j} {(y_{j} - {\hat{y}}_{bag, t j})}^{2} .$
  error наблюдения наборов, которые отменяются для всех выбранных деревьев к взвешенному демонстрационному среднему значению наблюдаемых ответов обучающих данных.
- Если вы задаете 'Mode','Ensemble', затем взвешенный MSE является последним элементом совокупного, взвешенного вектора MSE.

Для проблем классификации, error оценивает взвешенный misclassification уровень ансамбля сложенных в мешок деревьев классификации для предсказания Y учитывая X использование выбранных деревьев и наблюдений.

Если вы задаете 'Mode','Individual', затем взвешенный misclassification уровень для древовидного t

$e_{t} = \frac{1}{\sum_{j = 1}^{n} w_{j}} \sum_{j = 1}^{n} w_{j} I (y_{j} \neq {\hat{y}}_{t j}) .$
${\hat{y}}_{t j}$ предсказанный класс для выбранного наблюдения использование j от выбранного дерева классификации t. error наборы любые отменявшие наблюдения в выбранном дереве к предсказанному, взвешенному, самому популярному классу по всем учебным ответам. Если существует несколько самых популярных классов, error считает тот перечисленным сначала в ClassNames свойство TreeBagger смоделируйте самое популярное.
Если вы задаете 'Mode','Cumulative' затем взвешенный misclassification уровень является вектором из размера, T^* содержащий совокупные, взвешенные misclassification уровни по T^* ≤ T выбрал деревья. error выполняет эти шаги, чтобы оценить_{, что et}^*, совокупное, взвесил misclassification уровень с помощью выбранных деревьев первого t.
1. Для выбранного наблюдения j, j = 1..., n, error оценки ${\hat{y}}_{bag, t j}$ , взвешенный, самый популярный класс среди первого t выбрал деревья (для получения дополнительной информации смотрите predict). Для этого расчета, error использует древовидные веса.
2. error оценивает совокупный, взвешенный misclassification уровень через древовидный t.
  
  $e_{t}^{*} = \frac{1}{\sum_{j = 1}^{n} w_{j}} \sum_{j = 1}^{n} w_{j} I (y_{j} \neq {\hat{y}}_{bag, t j}) .$
  error наборы любые наблюдения, которые отменяются для всех выбранных деревьев к предсказанному, взвешенному, самому популярному классу по всем учебным ответам. Если существует несколько самых популярных классов, error считает тот перечисленным сначала в ClassNames свойство TreeBagger смоделируйте самое популярное.
Если вы задаете 'Mode','Ensemble', затем взвешенный misclassification уровень является последним элементом совокупного, взвешенного misclassification вектора уровня.

Смотрите также

CompactTreeBagger | predict

Документация

error

Синтаксис

Описание

Алгоритмы

Смотрите также

Темы

Документация Statistics and Machine Learning Toolbox

Поддержка