Имя объекта-классификатора, указанное как символьный вектор. Используйте точечную нотацию для установки этого свойства.

Пример: 'cp_kfold'

Типы данных: char

Описание объекта, указанное как символьный вектор. Используйте точечную нотацию для установки этого свойства.

Пример: 'performance_data_kfold'

Типы данных: char

Это свойство доступно только для чтения.

Уникальный набор истинных меток из groundTruth, указанный как вектор положительных целых чисел или клеточный массив символьных векторов. Это свойство эквивалентно выводу при запуске unique(groundTruth).

Пример: {'ovarian','liver','normal'}

Типы данных: double | cell

Это свойство доступно только для чтения.

Истинные метки для всех наблюдений в наборе данных, указанные как вектор положительных целых чисел или клеточный массив символьных векторов.

Пример: {'ovarian','liver','normal','ovarian','ovarian','liver'}

Типы данных: double | cell

Это свойство доступно только для чтения.

Количество наблюдений в наборе данных, указанное как положительное целое число.

Пример: 200

Типы данных: double

Индексы к классам управления из истинных меток (ClassLabels), указанный как вектор положительных целых чисел. Это свойство указывает контрольные (или отрицательные) классы в диагностическом тесте. По умолчанию ControlClasses содержит все классы, отличные от первого класса, возвращенного grp2idx(groundTruth).

Это свойство можно задать с помощью точечной нотации или 'Negative' аргумент пары имя-значение с classperf функция.

Пример: [3]

Типы данных: double

Индексы к целевым классам из истинных меток (ClassLabels), указанный как вектор положительных целых чисел. Это свойство указывает целевые (или положительные) классы в диагностическом тесте. По умолчанию TargetClasses содержит первый класс, возвращенный grp2idx(groundTruth).

Это свойство можно задать с помощью точечной нотации или 'Positive' аргумент пары имя-значение с classperf функция.

Пример: [1 2]

Типы данных: double

Это свойство доступно только для чтения.

Количество оценок для каждого образца во время проверки, указанное как числовой вектор. Например, если используется повторное замещение, SampleDistribution является вектором единиц и ValidationCounter = 1. Если у вас 10-кратная перекрестная проверка, SampleDistribution также является вектором единиц, но ValidationCounter = 10.

SampleDistribution полезен при выполнении разделов Monte Carlo тестовых наборов, и он может помочь определить, был ли каждый образец протестирован одинаковое количество раз.

Пример: [0 0 2 0]

Типы данных: double

Это свойство доступно только для чтения.

Частота неправильной классификации каждого образца, указанная как числовой вектор.

Пример: [0 0 1 0]

Типы данных: double

Это свойство доступно только для чтения.

Частота истинных классов во время проверки, указанная как числовой вектор.

Пример: [10 10 0]

Типы данных: double

Это свойство доступно только для чтения.

Частота ошибок для каждого класса во время проверки, указанная как числовой вектор.

Пример: [0 0 0]

Типы данных: double

Это свойство доступно только для чтения.

Число проверок, указанное как положительное целое число.

Пример: 10

Типы данных: double

Это свойство доступно только для чтения.

Матрица путаницы классификации, заданная как числовой массив. Порядок строк и столбцов в матрице такой же, как в grp2idx(groundTruth). Столбцы представляют истинные классы, а строки представляют предсказание классификатора. Последняя строка в CountingMatrix зарезервирован для подсчета неубедительных результатов.

Пример: [10 0 0;0 10 0; 0 0 0; 0 0 0]

Типы данных: double

Это свойство доступно только для чтения.

Правильная скорость классификатора, заданная как положительный скаляр. CorrectRate определяется как количество правильно классифицированных проб, деленное на количество классифицированных проб. Неубедительные результаты не учитываются.

Пример: 1

Типы данных: double

Это свойство доступно только для чтения.

Частота ошибок классификатора, заданная как положительный скаляр. ErrorRate определяется как количество неправильно классифицированных проб, деленное на количество классифицированных проб. Неубедительные результаты не учитываются.

Пример: 0

Типы данных: double

Это свойство доступно только для чтения.

Правильная скорость классификатора во время последнего прогона проверки, заданная как положительный скаляр. В отличие от CorrectRate, LastCorrectRate применяется только к оцененным выборкам из последнего прогона проверки объекта производительности классификатора.

Пример: 1

Типы данных: double

Это свойство доступно только для чтения.

Частота ошибок классификатора во время последнего прогона проверки, заданная как положительный скаляр. В отличие от ErrorRate, LastErrorRate применяется только к оцененным выборкам из последнего прогона проверки объекта производительности классификатора.

Пример: 0

Типы данных: double

Это свойство доступно только для чтения.

Неубедительная скорость классификатора, заданная как положительный скаляр. InconclusiveRate определяется как количество неклассифицированных (неубедительных) образцов, деленное на общее количество образцов.

Пример: 0

Типы данных: double

Это свойство доступно только для чтения.

Классифицированная скорость классификатора, заданная как положительный скаляр. ClassifiedRate определяется как количество классифицированных проб, деленное на общее количество проб.

Пример: 1

Типы данных: double

Это свойство доступно только для чтения.

Чувствительность классификатора, заданная как положительный скаляр. Sensitivity определяется как количество правильно классифицированных положительных выборок, деленное на количество истинных положительных выборок.

Неубедительные результаты, являющиеся истинно положительными, считаются ошибками при вычислении Sensitivity. Другими словами, неубедительные результаты могут снизить диагностическое значение теста.

Пример: 1

Типы данных: double

Это свойство доступно только для чтения.

Специфичность классификатора, определяемая как положительный скаляр. Specificity определяется как количество правильно классифицированных отрицательных выборок, деленное на количество истинных отрицательных выборок.

Неубедительные результаты, являющиеся истинными негативами, считаются ошибками при вычислении Specificity. Другими словами, неубедительные результаты могут снизить диагностическое значение теста.

Пример: 0.8

Типы данных: double

Это свойство доступно только для чтения.

Положительное прогностическое значение классификатора, определяемое как положительный скаляр. PositivePredictiveValue определяется как количество правильно классифицированных положительных выборок, деленное на количество положительных классифицированных выборок.

Неубедительные результаты классифицируются как отрицательные при вычислениях PositivePredictiveValue.

Пример: 1

Типы данных: double

Это свойство доступно только для чтения.

Отрицательное прогностическое значение классификатора, определяемое как положительный скаляр. NegativePredictiveValue определяется как количество правильно классифицированных отрицательных выборок, деленное на количество отрицательных классифицированных выборок.

Неубедительные результаты классифицируются как положительные при вычислениях NegativePredictiveValue.

Пример: 1

Типы данных: double

Это свойство доступно только для чтения.

Положительная вероятность классификатора, заданная как положительный скаляр. PositiveLikelihood определяется как Sensitivity / (1 - Specificity).

Пример: 5

Типы данных: double

Это свойство доступно только для чтения.

Отрицательная вероятность классификатора, заданная как положительный скаляр. NegativeLikelihood определяется как (1 - Sensitivity)/Specificity.

Пример: 0

Типы данных: double

Это свойство доступно только для чтения.

Распространенность классификатора, указанная как положительный скаляр. Prevalence определяется как число истинных положительных выборок, деленное на общее число выборок.

Пример: 1

Типы данных: double

Это свойство доступно только для чтения.

Диагностическая таблица, заданная в виде числового массива «два на два». Первая строка указывает число выборок, классифицированных как положительные, с числом истинных положительных результатов в первом столбце и числом ложных положительных результатов во втором столбце. Вторая строка указывает количество образцов, классифицированных как отрицательные, с числом ложных негативов в первом столбце и числом истинных негативов во втором столбце.

В диагональных элементах появляются правильные классификации, а в внеканальных - ошибки. Неубедительные результаты считаются ошибками и учитываются в внедиагональных элементах. Пример см. в разделе Пример диагностической таблицы.

Пример: [20 0;0 0]

Типы данных: double