Поля классификации для многоклассовой модели выходных кодов с исправлением ошибок (ECOC)
m = margin(Mdl,tbl,ResponseVarName)m) для обучаемой модели многоклассовых выходных кодов с исправлением ошибок (ECOC) Mdl использование данных предиктора в таблице tbl и метки классов в tbl.ResponseVarName.
m = margin(___,Name,Value)
Расчет полей классификации тестовой выборки модели ECOC с двоичными учащимися SVM.
Загрузите набор данных радужки Фишера. Укажите данные предиктора X, данные ответа Yи порядок классов в Y.
load fisheriris X = meas; Y = categorical(species); classOrder = unique(Y); % Class order rng(1) % For reproducibility
Обучение модели ECOC с использованием двоичных классификаторов SVM. Укажите 30% -ную выборку, стандартизируйте предикторы с помощью шаблона SVM и укажите порядок классов.
t = templateSVM('Standardize',true); PMdl = fitcecoc(X,Y,'Holdout',0.30,'Learners',t,'ClassNames',classOrder); Mdl = PMdl.Trained{1}; % Extract trained, compact classifier
PMdl является ClassificationPartitionedECOC модель. Имеет свойство Trained, массив ячеек 1 на 1, содержащий CompactClassificationECOC модель, которую программное обеспечение обучило с использованием обучающего набора.
Рассчитайте пределы классификации тестовой пробы. Отображение распределения полей с помощью боксплота.
testInds = test(PMdl.Partition); % Extract the test indices XTest = X(testInds,:); YTest = Y(testInds,:); m = margin(Mdl,XTest,YTest); boxplot(m) title('Test-Sample Margins')
Классификационный запас наблюдения представляет собой отрицательную потерю положительного класса минус максимальную отрицательную потерю отрицательного класса. Выберите классификаторы, дающие относительно большую маржу.
Выбор элементов выполняется путем сравнения полей тестовой выборки из нескольких моделей. Исходя исключительно из этого сравнения, модель с наибольшим запасом является лучшей моделью.
Загрузите набор данных радужки Фишера. Укажите данные предиктора X, данные ответа Yи порядок классов в Y.
load fisheriris X = meas; Y = categorical(species); classOrder = unique(Y); % Class order rng(1); % For reproducibility
Разбейте набор данных на учебные и тестовые наборы. Укажите 30% образец хранения для тестирования.
Partition = cvpartition(Y,'Holdout',0.30); testInds = test(Partition); % Indices for the test set XTest = X(testInds,:); YTest = Y(testInds,:);
Partition определяет раздел набора данных.
Определите два набора данных:
fullX содержит все четыре предиктора.
partX содержит только измерения чашелистиков.
fullX = X; partX = X(:,1:2);
Обучение модели ECOC с использованием двоичных классификаторов SVM для каждого набора предикторов. Укажите определение раздела, стандартизируйте предикторы с помощью шаблона SVM и определите порядок классов.
t = templateSVM('Standardize',true); fullPMdl = fitcecoc(fullX,Y,'CVPartition',Partition,'Learners',t,... 'ClassNames',classOrder); partPMdl = fitcecoc(partX,Y,'CVPartition',Partition,'Learners',t,... 'ClassNames',classOrder); fullMdl = fullPMdl.Trained{1}; partMdl = partPMdl.Trained{1};
fullPMdl и partPMdl являются ClassificationPartitionedECOC модели. Каждая модель имеет свойство Trained, массив ячеек 1 на 1, содержащий CompactClassificationECOC модель, которую программное обеспечение обучило с использованием соответствующего обучающего набора.
Рассчитайте поля тестовой выборки для каждого классификатора. Для каждой модели просмотрите распределение полей с помощью боксплота.
fullMargins = margin(fullMdl,XTest,YTest); partMargins = margin(partMdl,XTest(:,1:2),YTest); boxplot([fullMargins partMargins],'Labels',{'All Predictors','Two Predictors'}) title('Boxplots of Test-Sample Margins')
Распределение маржи fullMdl находится выше и имеет меньшую изменчивость, чем распределение маржи partMdl.
Чтобы сравнить поля или края нескольких классификаторов ECOC, используйте объекты шаблона для определения общей функции преобразования баллов среди классификаторов во время обучения.
[1] Allwein, E., R. Schapire и Y. Singer. «Сокращение мультиклассов до двоичных: унифицирующий подход к classifiers маржи». Журнал исследований машинного обучения. Том 1, 2000, стр. 113-141.
[2] Эскалера, С., О. Пужоль и П. Радева. «Процесс декодирования в выходных кодах с тройной коррекцией ошибок». Транзакции IEEE по анализу шаблонов и машинному интеллекту. Том 32, выпуск 7, 2010, стр. 120-134.
[3] Эскалера, С., О. Пужоль и П. Радева. «Разделяемость троичных кодов для разреженных конструкций выходных кодов с исправлением ошибок». Повторная запись шаблона. Том 30, выпуск 3, 2009, стр. 285-297.
ClassificationECOC | CompactClassificationECOC | edge | fitcecoc | loss | predict | resubMargin