Вычислите поля классификации 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.

Расчет полей классификации для наблюдений, используемых для обучения Mdl. Отображение распределения полей с помощью боксплота.

m = resubMargin(Mdl);

boxplot(m)
title('In-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 путем сравнения полей обучающей выборки из нескольких моделей. Исходя исключительно из этого сравнения, модель с наибольшим запасом является лучшей моделью.

Загрузите набор данных радужки Фишера. Определите два набора данных:

load fisheriris
X = meas;
fullX = X;
partX = X(:,1:2);
Y = species;

Обучение модели ECOC с использованием двоичных учеников SVM для каждого набора предикторов. Стандартизируйте предикторы с помощью шаблона SVM, укажите порядок классов и вычислите апостериорные вероятности.

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

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

FullMdl = fitcecoc(fullX,Y,'Learners',t,'ClassNames',classOrder,...
    'FitPosterior',true);
PartMdl = fitcecoc(partX,Y,'Learners',t,'ClassNames',classOrder,...
    'FitPosterior',true);

Вычислите поля повторного замещения для каждого классификатора. Для каждой модели просмотрите распределение полей с помощью боксплота.

fullMargins = resubMargin(FullMdl);
partMargins = resubMargin(PartMdl);

boxplot([fullMargins partMargins],'Labels',{'All Predictors','Two Predictors'})
title('Training-Sample Margins')

Распределение маржи FullMdl находится выше и имеет меньшую изменчивость, чем распределение маржи PartMdl. Этот результат говорит о том, что модель, обученная со всеми предикторами, лучше подходит для тренировочных данных.