Вычислите потерю повторного замещения для модели ECOC с двоичными учащимися SVM.

Загрузите набор данных радужки Фишера. Укажите данные предиктора X и данные ответа Y.

load fisheriris
X = meas;
Y = species;

Обучение модели ECOC с использованием двоичных классификаторов SVM. Стандартизируйте предикторы с помощью шаблона SVM и укажите порядок классов.

t = templateSVM('Standardize',true);
classOrder = unique(Y)

classOrder = 3x1 cell
    {'setosa'    }
    {'versicolor'}
    {'virginica' }

Mdl = fitcecoc(X,Y,'Learners',t,'ClassNames',classOrder);

t является объектом шаблона SVM. Во время обучения программа использует значения по умолчанию для пустых свойств в t. Mdl является ClassificationECOC модель.

Оцените ошибку классификации повторного замещения, которая является потерей классификации по умолчанию.

L = resubLoss(Mdl)

L = 0.0267

Модель ECOC неправильно классифицирует 2,67% ирисов тренировочной выборки.

Определите качество модели ECOC с помощью пользовательской функции потерь, которая учитывает минимальные двоичные потери для каждого наблюдения.

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

classOrder = 3x1 categorical
     setosa 
     versicolor 
     virginica 

rng(1); % For reproducibility

Обучение модели ECOC с использованием двоичных классификаторов SVM. Стандартизируйте предикторы с помощью шаблона SVM и укажите порядок классов.

t = templateSVM('Standardize',true);
Mdl = fitcecoc(X,Y,'Learners',t,'ClassNames',classOrder);

t является объектом шаблона SVM. Во время обучения программа использует значения по умолчанию для пустых свойств в t. Mdl является ClassificationECOC модель.

Создайте функцию, которая принимает минимальные потери для каждого наблюдения, а затем усредняет минимальные потери для всех наблюдений. S соответствует NegLoss вывод resubPredict.

lossfun = @(~,S,~,~)mean(min(-S,[],2));

Вычислите пользовательские потери классификации для данных обучения.

resubLoss(Mdl,'LossFun',lossfun)

ans = 0.0065

Средняя минимальная двоичная потеря для обучающих данных составляет 0.0065.