Exponenta Banner
exponenta event banner

kfoldMargin

Поля классификации для перекрестной подтвержденной модели классификации

свернуть все на странице

    Синтаксис

    M = kfoldMargin(CVMdl)
    M = kfoldMargin(CVMdl,'IncludeInteractions',includeInteractions)

    Описание

    пример

    M = kfoldMargin(CVMdl) возвращает поля классификации, полученные перекрестной подтвержденной моделью CVMdl классификации. Для каждого сгиба, kfoldMargin вычисляет поля классификации для наблюдений сгиба валидации с помощью классификатора, обученного на наблюдениях учебного сгиба. CVMdl.X и CVMdl.Y содержите оба набора наблюдений.

    M = kfoldMargin(CVMdl,'IncludeInteractions',includeInteractions) задает, включать ли периоды взаимодействия в расчеты. Этот синтаксис применяется только к обобщенным аддитивным моделям.

    Примеры

    свернуть все

    Скрипт Open Live Script

    Найдите поля k-сгиба для ансамбля, который классифицирует ionosphere данные.

    Загрузите ionosphere набор данных.

    load ionosphere

    Создайте пень шаблона.

    t = templateTree('MaxNumSplits',1);

    Обучите ансамбль классификации деревьев решений. Задайте t как слабый ученик.

    Mdl = fitcensemble(X,Y,'Method','AdaBoostM1','Learners',t);

    Перекрестный подтвердите классификатор с помощью 10-кратной перекрестной проверки.

    cvens = crossval(Mdl);

    Вычислите поля k-сгиба. Отобразите итоговую статистику для полей.

    m = kfoldMargin(cvens);
marginStats = table(min(m),mean(m),max(m),...
    'VariableNames',{'Min','Mean','Max'})
    marginStats=1×3 table
      Min       Mean      Max  
    _______    ______    ______

    -11.312    7.3236    23.517

    Входные параметры

    свернуть все

    Перекрестный подтвержденный разделенный классификатор в виде ClassificationPartitionedModel, ClassificationPartitionedEnsemble, или ClassificationPartitionedGAM объект. Можно создать объект двумя способами:

    • Передайте обученную модель классификации, перечисленную в следующей таблице к crossval объектная функция.

    • Обучите модель классификации использование функции, перечисленной в следующей таблице, и задайте один из аргументов значения имени перекрестной проверки для функции.

    Модель классификацииФункция
    ClassificationDiscriminantfitcdiscr
    ClassificationEnsemblefitcensemble
    ClassificationGAMfitcgam
    ClassificationKNNfitcknn
    ClassificationNaiveBayesfitcnb
    ClassificationNeuralNetworkfitcnet
    ClassificationSVMfitcsvm
    ClassificationTreefitctree

    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 CVMdl ClassificationPartitionedGAM.

    Значением по умолчанию является true если модели в CVMdl (CVMdl.Trained) содержите периоды взаимодействия. Значением должен быть false если модели не содержат периоды взаимодействия.

    Типы данных: логический

    Выходные аргументы

    свернуть все

    Поля классификации, возвращенные как числовой вектор. M n-by-1 вектор, где каждая строка является полем соответствующего наблюдения, и n является количеством наблюдений. (n является size(CVMdl.X,1) когда наблюдения находятся в строках.)

    Если вы используете метод валидации затяжки, чтобы создать CVMdl (то есть, если CVMdl.KFold 1), затем M имеет NaN значения для наблюдений учебного сгиба.

    Больше о

    свернуть все

    Поле классификации

    classification margin для бинарной классификации, для каждого наблюдения, различия между классификационной оценкой для истинного класса и классификационной оценкой для ложного класса. classification margin для классификации мультиклассов является различием между классификационной оценкой для истинного класса и максимальным счетом к ложным классам.

    Если поля находятся по той же шкале (то есть, значения баллов основаны на том же преобразовании счета), то они служат мерой по доверию классификации. Среди нескольких классификаторов те, которые дают к большим полям, лучше.

    Алгоритмы

    kfoldMargin вычисляет поля классификации как описано в соответствии margin объектная функция. Для описания модели специфичного смотрите соответствующее margin страница ссылки на функцию в следующей таблице.

    Тип моделиmargin Функция
    Классификатор дискриминантного анализаmargin
    Классификатор ансамбляmargin
    Обобщенный аддитивный классификатор моделиmargin
    k- соседний классификаторmargin
    Наивный классификатор Байесаmargin
    Классификатор нейронной сетиmargin
    Классификатор машины опорных векторовmargin
    Дерево выбора из двух альтернатив для классификации мультиклассовmargin

    Расширенные возможности

    Смотрите также

    | | | |

    Введенный в R2011a

    Документация Statistics and Machine Learning Toolbox

    Поддержка