ClassificationPartitionedEnsemble

Пакет: classreg.learning.partition
Суперклассы: ClassificationPartitionedModel

Перекрестный подтвержденный ансамбль классификации

Описание

ClassificationPartitionedEnsemble набор ансамблей классификации, обученных на перекрестных подтвержденных сгибах. Оцените качество классификации перекрестной проверкой с помощью одного или нескольких “kfold” методов: kfoldPredict, kfoldLoss, kfoldMargin, kfoldEdge, и kfoldfun.

Каждый “kfold” метод использует модели, обученные на, окутывают наблюдения, чтобы предсказать ответ для наблюдений из сгиба. Например, предположите, что вы пересекаетесь, подтверждают использование пяти сгибов. В этом случае каждый учебный сгиб содержит примерно 4/5 данных, и каждый тестовый сгиб содержит примерно 1/5 данных. Первая модель сохранена в Trained{1} был обучен на X и Y с первым исключенным 1/5 вторая модель сохранена в Trained{2} был обучен на X и Y со вторым исключенным 1/5, и так далее. Когда вы вызываете kfoldPredict, это вычисляет предсказания для первого 1/5 данных с помощью первой модели, для второго 1/5 данных с помощью второй модели, и так далее. Короче говоря, ответ для каждого наблюдения вычисляется kfoldPredict использование модели, обученной без этого наблюдения.

Конструкция

cvens = crossval(ens) создает перекрестный подтвержденный ансамбль из ens, ансамбль классификации. Для получения дополнительной информации синтаксиса смотрите crossval страница с описанием метода.

cvens = fitcensemble(X,Y,Name,Value) создает перекрестный подтвержденный ансамбль когда Name один из 'CrossVal', 'KFold', 'Holdout', 'Leaveout', или 'CVPartition'. Для получения дополнительной информации синтаксиса смотрите fitcensemble страница ссылки на функцию.

Свойства

`BinEdges`	Границы интервала для числовых предикторов в виде массива ячеек p числовые векторы, где p является количеством предикторов. Каждый вектор включает границы интервала для числового предиктора. Элемент в массиве ячеек для категориального предиктора пуст, потому что программное обеспечение не делает интервала категориальные предикторы. Числовые предикторы интервалов программного обеспечения, только если вы задаете `'NumBins'` аргумент значения имени как положительный целочисленный скаляр, когда обучение модель с древовидными учениками. `BinEdges` свойство пусто если `'NumBins'` значение пусто (значение по умолчанию). Можно воспроизвести сгруппированные данные о предикторе `Xbinned` при помощи `BinEdges` свойство обученной модели `mdl`. X = mdl.X; % Predictor data Xbinned = zeros(size(X)); edges = mdl.BinEdges; % Find indices of binned predictors. idxNumeric = find(~cellfun(@isempty,edges)); if iscolumn(idxNumeric) idxNumeric = idxNumeric'; end for j = idxNumeric x = X(:,j); % Convert x to array if x is a table. if istable(x) x = table2array(x); end % Group x into bins by using the `discretize` function. xbinned = discretize(x,[-inf; edges{j}; inf]); Xbinned(:,j) = xbinned; end `Xbinned` содержит индексы интервала, в пределах от 1 к количеству интервалов, для числовых предикторов. `Xbinned` значения 0 для категориальных предикторов. Если `X` содержит `NaN`s, затем соответствующий `Xbinned` значениями является `NaN`s.
`CategoricalPredictors`	Категориальные индексы предиктора в виде вектора из положительных целых чисел. `CategoricalPredictors` содержит значения индекса, соответствующие столбцам данных о предикторе, которые содержат категориальные предикторы. Если ни один из предикторов не является категориальным, то это свойство пусто (`[]`).
`ClassNames`	Список элементов в `Y` с удаленными копиями. `ClassNames` может быть числовой вектор, вектор из категориальных переменных, логический вектор, символьный массив или массив ячеек из символьных векторов. `ClassNames` имеет совпадающий тип данных как данные в аргументе `Y`. (Программное обеспечение обрабатывает строковые массивы как массивы ячеек из символьных векторов.)
`Combiner`	Массив ячеек объединителей через все сгибы.
`Cost`	Квадратная матрица, где `Cost(i,j)` стоимость классификации точки в класс `j` если его истинным классом является `i` (строки соответствуют истинному классу, и столбцы соответствуют предсказанному классу). Порядок строк и столбцов `Cost` соответствует порядку классов в `ClassNames`. Количество строк и столбцов в `Cost` количество уникальных классов в ответе. Это свойство доступно только для чтения.
`CrossValidatedModel`	Имя перекрестной подтвержденной модели, вектора символов.
`KFold`	Количество сгибов используется в перекрестном подтвержденном ансамбле, положительном целом числе.
`ModelParameters`	Объект, содержащий параметры `cvens`.
`NumObservations`	Количество точек данных использовало в обучении ансамбль, положительное целое число.
`NumTrainedPerFold`	Количество слабых учеников использовало в обучении каждый сгиб ансамбля, положительного целого числа.
`Partition`	Раздел класса `cvpartition` используемый в создании перекрестного подтвержденного ансамбля.
`PredictorNames`	Массив ячеек имен для переменных предикторов, в порядке, в котором они появляются в `X`.
`Prior`	Числовой вектор из априорных вероятностей для каждого класса. Порядок элементов `Prior` соответствует порядку классов в `ClassNames`. Число элементов `Prior` количество уникальных классов в ответе. Это свойство доступно только для чтения.
`ResponseName`	Имя переменной отклика `Y`, вектор символов.
`ScoreTransform`	Указатель на функцию для преобразования баллов или вектора символов, представляющего встроенную функцию преобразования. `'none'` средние значения никакое преобразование; эквивалентно, `'none'` средние значения `@(x)x`. Для списка встроенных функций преобразования и синтаксиса пользовательских функций преобразования, смотрите `fitctree`. Добавьте или измените `ScoreTransform` функция с помощью записи через точку: ens.ScoreTransform = 'function' или ens.ScoreTransform = @function
`Trainable`	Массив ячеек ансамблей обучен на сгибах перекрестной проверки. Каждый ансамбль полон, подразумевая, что он содержит свои обучающие данные и веса.
`Trained`	Массив ячеек компактных ансамблей обучен на сгибах перекрестной проверки.
`W`	Масштабированный `weights`, вектор с длиной `n`, количество строк в `X`.
`X`	Матрица A или таблица значений предиктора. Каждый столбец `X` представляет одну переменную, и каждая строка представляет одно наблюдение.
`Y`	Числовой вектор, категориальный вектор, логический вектор, символьный массив или массив ячеек из символьных векторов. Каждая строка `Y` ответ на данные в соответствующей строке `X`.

Функции объекта

`kfoldEdge`	Ребро классификации для перекрестной подтвержденной модели классификации
`kfoldLoss`	Потеря классификации для перекрестной подтвержденной модели классификации
`kfoldMargin`	Поля классификации для перекрестной подтвержденной модели классификации
`kfoldPredict`	Классифицируйте наблюдения на перекрестную подтвержденную модель классификации
`kfoldfun`	Перекрестный подтвердите функцию для классификации
`resume`	Возобновите учебных учеников на сгибах перекрестной проверки

Копировать семантику

Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел "Копирование объектов".

Примеры

свернуть все

Оцените ошибку перекрестной проверки K-сгиба для ансамбля классификации

Скрипт Open Live Script

Оцените ошибку перекрестной проверки k-сгиба для ансамбля классификации, который моделирует ирисовые данные Фишера.

Загрузите набор выборочных данных.

load fisheriris

Обучите ансамбль 100 повышенных деревьев классификации с помощью AdaBoostM2.

t = templateTree('MaxNumSplits',1); % Weak learner template tree object
ens = fitcensemble(meas,species,'Method','AdaBoostM2','Learners',t);

Создайте перекрестный подтвержденный ансамбль из ens и найдите ошибку перекрестной проверки k-сгиба.

rng(10,'twister') % For reproducibility
cvens = crossval(ens);
L = kfoldLoss(cvens)

L = 0.0533

Документация