Класс: TreeBagger
Ошибка из сумки
err = oobError(B)
err = oobError(B,'param1',val1,'param2',val2,...)
err = oobError(B) вычисляет misclassification вероятность (для деревьев классификации) или среднеквадратическая ошибка (для деревьев регрессии) для наблюдений из сумки в обучающих данных, с помощью обученного мешконасыпателя B. err вектор из длины NTrees, где NTrees количество деревьев в ансамбле.
err = oobError(B,'param1',val1,'param2',val2,...) задает дополнительное название параметра / пары значения:
'Mode' | Вектор символов или строковый скаляр, указывающий, как oobError вычисляет ошибки. Если установлено в 'cumulative' (значение по умолчанию), метод вычисляет совокупные ошибки и err вектор из длины NTrees, где первый элемент дает ошибку от trees(1), второй элемент дает ошибку от 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. |
'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. oobError использование 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. |
oobError оценивает взвешенную ошибку ансамбля для наблюдений из сумки. Таким образом, oobError применяет error к обучающим данным, хранимым во входе TreeBagger модель B, и выбирает наблюдения из сумки для каждого дерева, чтобы составить ошибку ансамбля.
B.X и B.Y предикторы обучающих данных и ответы, соответственно.
B.OOBIndices задает, какие наблюдения из сумки для каждого дерева в ансамбле.
B.W задает веса наблюдения.
Опционально:
Используя 'Mode' аргумент пары "имя-значение", можно задать, чтобы возвратить отдельную, взвешенную ошибку ансамбля для каждого дерева или целую, взвешенную ошибку ансамбля. По умолчанию, oobError возвращает совокупную, взвешенную ошибку ансамбля.
Используя 'Trees' аргумент пары "имя-значение", можно выбрать который деревья использовать в ошибочных вычислениях ансамбля.
Используя 'TreeWeights' аргумент пары "имя-значение", можно приписать каждое дерево с весом.
oobError применяет алгоритмы, описанные ниже. Для получения дополнительной информации смотрите error и predict.
Для проблем регрессии, oobError возвращает взвешенный MSE.
oobError предсказывает ответы для всех наблюдений из сумки.
Оценка MSE зависит от значения 'Mode'.
Если вы задаете 'Mode','Individual', затем oobError наборы любой в наблюдениях сумки в выбранном дереве к взвешенному демонстрационному среднему значению наблюдаемых ответов обучающих данных. Затем oobError вычисляет взвешенный MSE для каждого выбранного дерева.
Если вы задаете 'Mode','Cumulative', затем ooError возвращает вектор из совокупного, взвешенного MSEs, где MSEt является совокупным, взвешенным MSE для выбранного древовидного t. Вычислить MSEt, для каждого наблюдения, которое является вне сумки по крайней мере для одного дерева через древовидный t, oobError вычисляет совокупное, взвешенное среднее предсказанных ответов через древовидный t. oobError наблюдения наборов, которые находятся в сумке для всех выбранных деревьев через древовидный t к взвешенному демонстрационному среднему значению наблюдаемых ответов обучающих данных. Затем oobError вычисляет MSEt.
Если вы задаете 'Mode','Ensemble', затем, для каждого наблюдения, которое является вне сумки по крайней мере для одного дерева, oobError вычисляет взвешенное среднее по всем выбранным деревьям. oobError наблюдения наборов, которые находятся в сумке для всех выбранных деревьев к взвешенному демонстрационному среднему значению наблюдаемых ответов обучающих данных. Затем oobError вычисляет взвешенный MSE, который совпадает с итоговым, совокупным, взвешенным MSE.
В проблемах классификации, oobError возвращает взвешенный misclassification уровень.
oobError предсказывает классы для всех наблюдений из сумки.
Взвешенная misclassification оценка уровня зависит от значения 'Mode'.
Если вы задаете 'Mode','Individual', затем oobError наборы любой в наблюдениях сумки 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. Затем oobError вычисляет взвешенный misclassification уровень для каждого выбранного дерева.
Если вы задаете 'Mode','Cumulative', затем ooError возвращает вектор из совокупных, взвешенных misclassification уровней, где et* является совокупным, взвешенным misclassification уровнем для выбранного древовидного t. Вычислить et*, для каждого наблюдения, которое является вне сумки по крайней мере для одного дерева через древовидный t, oobError находит предсказанный, совокупное, взвесил самый популярный класс через древовидный t. oobError наблюдения наборов, которые находятся в сумке для всех выбранных деревьев через древовидный t к 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. Затем oobError вычисляет et*.
Если вы задаете 'Mode','Ensemble', затем, для каждого наблюдения, которое является вне сумки по крайней мере для одного дерева, oobError вычисляет взвешенный, самый популярный класс по всем выбранным деревьям. oobError наблюдения наборов, которые находятся в сумке для всех выбранных деревьев через древовидный t 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. Затем oobError вычисляет взвешенный misclassification уровень, который совпадает с итоговым, совокупным, взвешенным misclassification уровнем.