Обучите классификатор дерева классификации, и затем перекрестный подтвердите его с помощью пользовательской функции потерь k-сгиба.

Загрузите ирисовый набор данных Фишера.

load fisheriris

Обучите классификатор дерева классификации.

Mdl = fitctree(meas,species);

Mdl ClassificationTree модель.

Перекрестный подтвердите Mdl использование 10-кратной перекрестной проверки по умолчанию. Вычислите ошибку классификации (пропорция неправильно классифицированных наблюдений) для наблюдений сгиба валидации.

rng(1); % For reproducibility
CVMdl = crossval(Mdl);
L = kfoldLoss(CVMdl,'LossFun','classiferror')

L = 0.0467

Исследуйте результат когда стоимость неправильной классификации цветка как versicolor 10, и стоимостью любого другого misclassification является 1. Создайте пользовательский функциональный noversicolor (показанный в конце этого примера). Эта функция приписывает стоимость 10 для неправильной классификации цветка как versicolor, и стоимость 1 для любого другого misclassification.

Вычислите среднее значение misclassification ошибка с noversicolor стоимость.

mean(kfoldfun(CVMdl,@noversicolor))

ans = 0.2267

Этот код создает функциональный noversicolor.

function averageCost = noversicolor(CMP,~,~,~,Xtest,Ytest,~)
% noversicolor Example custom cross-validation function
%    Attributes a cost of 10 for misclassifying versicolor irises, and 1 for
%    the other irises.  This example function requires the fisheriris data
%    set.
Ypredict = predict(CMP,Xtest);
misclassified = not(strcmp(Ypredict,Ytest)); % Different result
classifiedAsVersicolor = strcmp(Ypredict,'versicolor'); % Index of bad decisions
cost = sum(misclassified) + ...
    9*sum(misclassified & classifiedAsVersicolor); % Total differences
averageCost = cost/numel(Ytest); % Average error
end