resubPredict

Классифицируйте обучающие данные с помощью обученного классификатора

свернуть все на странице

Синтаксис

label = resubPredict(Mdl)

label = resubPredict(Mdl,'IncludeInteractions',includeInteractions)

[label,Score] = resubPredict(___)

[label,Score,Cost] = resubPredict(Mdl)

Описание

пример

label = resubPredict(Mdl) возвращает вектор из предсказанных меток класса (label) для обученной модели Mdl классификации использование данных о предикторе сохранено в Mdl.X.

пример

label = resubPredict(Mdl,'IncludeInteractions',includeInteractions) задает, включать ли периоды взаимодействия в расчеты. Этот синтаксис применяется только к обобщенным аддитивным моделям.

пример

[label,Score] = resubPredict(___) также возвращает классификационные оценки с помощью любой из комбинаций входных аргументов в предыдущих синтаксисах.

[label,Score,Cost] = resubPredict(Mdl) также возвращает ожидаемую стоимость misclassification. Этот синтаксис применяется только к k - самые близкие соседние и наивные модели Bayes.

Примеры

свернуть все

Маркируйте Training Sample Observations of Naive Bayes Classifier

Скрипт Open Live Script

Загрузите fisheriris набор данных. Создайте X как числовая матрица, которая содержит четыре измерения для 150 ирисовых диафрагм. Создайте Y как массив ячеек из символьных векторов, который содержит соответствующие ирисовые разновидности.

load fisheriris
X = meas;
Y = species;
rng('default') % For reproducibility

Обучите наивный классификатор Байеса с помощью предикторов X и класс маркирует Y. Методические рекомендации должны задать имена классов. fitcnb принимает, что каждый предиктор условно и нормально распределен.

Mdl = fitcnb(X,Y,'ClassNames',{'setosa','versicolor','virginica'})

Mdl = 
  ClassificationNaiveBayes
              ResponseName: 'Y'
     CategoricalPredictors: []
                ClassNames: {'setosa'  'versicolor'  'virginica'}
            ScoreTransform: 'none'
           NumObservations: 150
         DistributionNames: {'normal'  'normal'  'normal'  'normal'}
    DistributionParameters: {3x4 cell}


  Properties, Methods

Mdl обученный ClassificationNaiveBayes классификатор.

Предскажите метки обучающей выборки.

label = resubPredict(Mdl);

Отобразите результаты для случайного набора 10 наблюдений.

idx = randsample(size(X,1),10);
table(Y(idx),label(idx),'VariableNames', ...
    {'True Label','Predicted Label'})

ans=10×2 table
      True Label      Predicted Label
    ______________    _______________

    {'virginica' }    {'virginica' } 
    {'setosa'    }    {'setosa'    } 
    {'virginica' }    {'virginica' } 
    {'versicolor'}    {'versicolor'} 
    {'virginica' }    {'virginica' } 
    {'versicolor'}    {'versicolor'} 
    {'virginica' }    {'virginica' } 
    {'setosa'    }    {'setosa'    } 
    {'virginica' }    {'virginica' } 
    {'setosa'    }    {'setosa'    }

Создайте график беспорядка от истины, маркирует Y и предсказанные метки label.

cm = confusionchart(Y,label);

Figure contains an object of type ConfusionMatrixChart.

Оцените апостериорные вероятности в выборке классификатора SVM

Скрипт Open Live Script

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

load ionosphere

Обучите классификатор машины опорных векторов (SVM). Стандартизируйте данные и задайте тот 'g' положительный класс.

SVMModel = fitcsvm(X,Y,'ClassNames',{'b','g'},'Standardize',true);

SVMModel ClassificationSVM классификатор.

Соответствуйте оптимальному счету к функции преобразования апостериорной вероятности.

rng(1); % For reproducibility
ScoreSVMModel = fitPosterior(SVMModel)

ScoreSVMModel = 
  ClassificationSVM
             ResponseName: 'Y'
    CategoricalPredictors: []
               ClassNames: {'b'  'g'}
           ScoreTransform: '@(S)sigmoid(S,-9.481586e-01,-1.218402e-01)'
          NumObservations: 351
                    Alpha: [90x1 double]
                     Bias: -0.1343
         KernelParameters: [1x1 struct]
                       Mu: [1x34 double]
                    Sigma: [1x34 double]
           BoxConstraints: [351x1 double]
          ConvergenceInfo: [1x1 struct]
          IsSupportVector: [351x1 logical]
                   Solver: 'SMO'


  Properties, Methods

Поскольку классы неотделимы, функция преобразования счета (ScoreSVMModel.ScoreTransform) сигмоидальная функция.

Оцените баллы и положительные апостериорные вероятности класса для обучающих данных. Отобразите результаты для первых 10 наблюдений.

[label,scores] = resubPredict(SVMModel);
[~,postProbs] = resubPredict(ScoreSVMModel);
table(Y(1:10),label(1:10),scores(1:10,2),postProbs(1:10,2),'VariableNames',...
    {'TrueLabel','PredictedLabel','Score','PosteriorProbability'})

ans=10×4 table
    TrueLabel    PredictedLabel     Score     PosteriorProbability
    _________    ______________    _______    ____________________

      {'g'}          {'g'}          1.4861           0.82214      
      {'b'}          {'b'}         -1.0004           0.30434      
      {'g'}          {'g'}          1.8686           0.86916      
      {'b'}          {'b'}         -2.6458          0.084182      
      {'g'}          {'g'}          1.2805           0.79183      
      {'b'}          {'b'}         -1.4618           0.22025      
      {'g'}          {'g'}          2.1671           0.89813      
      {'b'}          {'b'}         -5.7089         0.0050112      
      {'g'}          {'g'}          2.4797           0.92223      
      {'b'}          {'b'}         -2.7813          0.074797

Сравните НОЖКИ путем исследования логита апостериорных вероятностей

Скрипт Open Live Script

Оцените логит апостериорных вероятностей (классификационные оценки) для обучающих данных с помощью обобщенной аддитивной модели (GAM) классификации, которая содержит и линейные члены и периоды взаимодействия для предикторов. Задайте, включать ли периоды взаимодействия при вычислении классификационных оценок.

load ionosphere

Обучите GAM с помощью предикторов X и класс маркирует Y. Методические рекомендации должны задать имена классов. Задайте, чтобы включать 10 самых важных периодов взаимодействия.

Mdl = fitcgam(X,Y,'ClassNames',{'b','g'},'Interactions',10)

Mdl = 
  ClassificationGAM
             ResponseName: 'Y'
    CategoricalPredictors: []
               ClassNames: {'b'  'g'}
           ScoreTransform: 'logit'
                Intercept: 3.2565
             Interactions: [10x2 double]
          NumObservations: 351


  Properties, Methods

Mdl ClassificationGAM объект модели.

Предскажите метки, использующие и линейные термины и периоды взаимодействия, и затем использующие только линейные члены. Чтобы исключить периоды взаимодействия, задайте 'IncludeInteractions',false. Оцените логит апостериорных вероятностей путем определения ScoreTransform свойство как 'none'.

Mdl.ScoreTransform = 'none';
[labels,scores] = resubPredict(Mdl);
[labels_nointeraction,scores_nointeraction] = resubPredict(Mdl,'IncludeInteractions',false);

Составьте таблицу, содержащую истинные метки, предсказанные метки и баллы. Отобразите первые восемь строк таблицы.

t = table(Y,labels,scores,labels_nointeraction,scores_nointeraction, ...
    'VariableNames',{'True Labels','Predicted Labels','Scores' ...
    'Predicted Labels Without Interactions','Scores Without Interactions'});
head(t)

ans=8×5 table
    True Labels    Predicted Labels          Scores          Predicted Labels Without Interactions    Scores Without Interactions
    ___________    ________________    __________________    _____________________________________    ___________________________

       {'g'}            {'g'}          -51.628     51.628                    {'g'}                        -47.676     47.676     
       {'b'}            {'b'}           37.433    -37.433                    {'b'}                         36.435    -36.435     
       {'g'}            {'g'}          -62.061     62.061                    {'g'}                        -58.357     58.357     
       {'b'}            {'b'}           37.666    -37.666                    {'b'}                         36.297    -36.297     
       {'g'}            {'g'}          -47.361     47.361                    {'g'}                        -43.373     43.373     
       {'b'}            {'b'}           106.48    -106.48                    {'b'}                         102.43    -102.43     
       {'g'}            {'g'}          -62.665     62.665                    {'g'}                        -58.377     58.377     
       {'b'}            {'b'}           201.46    -201.46                    {'b'}                         197.84    -197.84

Предсказанные метки для обучающих данных X не варьируйтесь в зависимости от включения периодов взаимодействия, но предполагаемые значения баллов отличаются.

Входные параметры

свернуть все

`Mdl` — Модель машинного обучения классификации
полный объект модели классификации

Модель машинного обучения классификации в виде полного объекта модели классификации, как дали в следующей таблице поддерживаемых моделей.

Модель	Объект модели классификации
Обобщенная аддитивная модель	`ClassificationGAM`
k- соседняя модель	`ClassificationKNN`
Наивная модель Bayes	`ClassificationNaiveBayes`
Модель нейронной сети	`ClassificationNeuralNetwork`
Машина опорных векторов для и бинарной классификации одного класса	`ClassificationSVM`

`includeInteractions` — Отметьте, чтобы включать периоды взаимодействия
`true` | `false`

Отметьте, чтобы включать периоды взаимодействия модели в виде true или false. Этот аргумент допустим только для обобщенной аддитивной модели (GAM). Таким образом, можно задать этот аргумент только когда Mdl ClassificationGAM.

Значением по умолчанию является true если Mdl содержит периоды взаимодействия. Значением должен быть false если модель не содержит периоды взаимодействия.

Типы данных: логический

Выходные аргументы

свернуть все

`label` — Предсказанные метки класса
категориальный массив | символьный массив | логический вектор | числовой вектор | массив ячеек из символьных векторов

Предсказанные метки класса, возвращенные как категориальное или символьный массив, логический или числовой вектор или массив ячеек из символьных векторов.

label имеет совпадающий тип данных, когда наблюдаемый класс помечает, это обучило Mdl, и его длина равна количеству наблюдений в Mdl.X. (Программное обеспечение обрабатывает строковые массивы как массивы ячеек из символьных векторов.)

`Score` — Баллы класса
числовая матрица

Баллы класса, возвращенные как числовая матрица. Score имеет строки, равные количеству наблюдений в Mdl.X и столбцы равняются количеству отличных классов в обучающих данных (size(Mdl.ClassNames,1)).

`Cost` — Ожидаемые затраты misclassification
числовая матрица

Ожидаемые затраты misclassification, возвращенные как числовая матрица. Этот выход применяется только к k - самые близкие соседние и наивные модели Bayes. Таким образом, resubPredict возвращает Cost только, когда Mdl ClassificationKNN или ClassificationNaiveBayes.

Cost имеет строки, равные количеству наблюдений в Mdl.X и столбцы равняются количеству отличных классов в обучающих данных (size(Mdl.ClassNames,1)).

Cost(j,k) ожидаемая misclassification стоимость наблюдения в строке j из Mdl.X предсказанный в класс k (в классе Mdl.ClassNames(k)).

Алгоритмы

resubPredict вычисляет предсказания согласно соответствию predict функция объекта (Mdl). Для описания модели специфичного смотрите predict страницы ссылки на функцию в следующей таблице.

Модель	Объект модели классификации (`Mdl`)	`predict` Объектная функция
Обобщенная аддитивная модель	`ClassificationGAM`	`predict`
k- соседняя модель	`ClassificationKNN`	`predict`
Наивная модель Bayes	`ClassificationNaiveBayes`	`predict`
Модель нейронной сети	`ClassificationNeuralNetwork`	`predict`
Машина опорных векторов для и бинарной классификации одного класса	`ClassificationSVM`	`predict`

Расширенные возможности

Массивы графического процессора
Ускорьте код путем работы графического процессора (GPU) с помощью Parallel Computing Toolbox™.

Указания и ограничения по применению:

Эта функция поддерживает ClassificationKNN и ClassificationSVM объекты снабжены входными параметрами графического процессора массивов.

Для получения дополнительной информации смотрите функции MATLAB Запуска на графическом процессоре (Parallel Computing Toolbox).

Представленный в R2012a

Документация

resubPredict

Синтаксис

Описание

Примеры

Маркируйте Training Sample Observations of Naive Bayes Classifier

Оцените апостериорные вероятности в выборке классификатора SVM

Сравните НОЖКИ путем исследования логита апостериорных вероятностей

Входные параметры

`Mdl` — Модель машинного обучения классификации
полный объект модели классификации

`includeInteractions` — Отметьте, чтобы включать периоды взаимодействия
`true` | `false`

Выходные аргументы

`label` — Предсказанные метки класса
категориальный массив | символьный массив | логический вектор | числовой вектор | массив ячеек из символьных векторов

`Score` — Баллы класса
числовая матрица

`Cost` — Ожидаемые затраты misclassification
числовая матрица

Алгоритмы

Расширенные возможности

Массивы графического процессора
Ускорьте код путем работы графического процессора (GPU) с помощью Parallel Computing Toolbox™.

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

resubPredict

Синтаксис

Описание

Примеры

Маркируйте Training Sample Observations of Naive Bayes Classifier

Оцените апостериорные вероятности в выборке классификатора SVM

Сравните НОЖКИ путем исследования логита апостериорных вероятностей

Входные параметры

Mdl — Модель машинного обучения классификации полный объект модели классификации

includeInteractions — Отметьте, чтобы включать периоды взаимодействия true | false

Выходные аргументы

label — Предсказанные метки класса категориальный массив | символьный массив | логический вектор | числовой вектор | массив ячеек из символьных векторов

Score — Баллы класса числовая матрица

Cost — Ожидаемые затраты misclassification числовая матрица

Алгоритмы

Расширенные возможности

Массивы графического процессора Ускорьте код путем работы графического процессора (GPU) с помощью Parallel Computing Toolbox™.

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

`Mdl` — Модель машинного обучения классификации
полный объект модели классификации

`includeInteractions` — Отметьте, чтобы включать периоды взаимодействия
`true` | `false`

`label` — Предсказанные метки класса
категориальный массив | символьный массив | логический вектор | числовой вектор | массив ячеек из символьных векторов

`Score` — Баллы класса
числовая матрица

`Cost` — Ожидаемые затраты misclassification
числовая матрица

Массивы графического процессора
Ускорьте код путем работы графического процессора (GPU) с помощью Parallel Computing Toolbox™.