Спрогнозировать метки обучающего набора с помощью бинарной модели классификации ядра и отобразить матрицу путаницы для результирующей классификации.

Загрузить ionosphere набор данных. Этот набор данных имеет 34 предиктора и 351 двоичный отклик для радарных возвращений, либо плохой ('b') или хорошо ('g').

load ionosphere

Обучить двоичную модель классификации ядра, которая определяет, является ли возврат радара плохим ('b') или хорошо ('g').

rng('default') % For reproducibility
Mdl = fitckernel(X,Y);

Mdl является ClassificationKernel модель.

Спрогнозировать набор обучающих меток или их повторную замену.

label = predict(Mdl,X); 

Создайте матрицу путаницы.

ConfusionTrain = confusionchart(Y,label);

Модель неправильно классифицирует один возврат радара для каждого класса.

Спрогнозировать метки тестового набора с использованием бинарной модели классификации ядра и отобразить матрицу путаницы для результирующей классификации.

Загрузить ionosphere набор данных. Этот набор данных имеет 34 предиктора и 351 двоичный отклик для радарных возвращений, либо плохой ('b') или хорошо ('g').

load ionosphere

Разбейте набор данных на учебные и тестовые наборы. Укажите 15% -ный образец удержания для тестового набора.

rng('default') % For reproducibility
Partition = cvpartition(Y,'Holdout',0.15);
trainingInds = training(Partition); % Indices for the training set
testInds = test(Partition); % Indices for the test set

Обучайте модель классификации двоичного ядра с помощью обучающего набора. Рекомендуется определить порядок классов.

Mdl = fitckernel(X(trainingInds,:),Y(trainingInds),'ClassNames',{'b','g'}); 

Спрогнозировать метки обучающего набора и метки тестового набора.

labelTrain = predict(Mdl,X(trainingInds,:));
labelTest = predict(Mdl,X(testInds,:));

Создайте матрицу путаницы для обучающего набора.

ConfusionTrain = confusionchart(Y(trainingInds),labelTrain);

Модель неправильно классифицирует только один возврат радара для каждого класса.

Создайте матрицу путаницы для тестового набора.

ConfusionTest = confusionchart(Y(testInds),labelTest);

Модель неправильно классифицирует одну плохую отдачу радара как хорошую отдачу, и пять хороших отдач радара как плохую отдачу.

Оцените вероятности апостериорного класса для тестового набора и определите качество модели, построив график кривой рабочих характеристик приемника (ROC). Модели классификации ядра возвращают апостериорные вероятности только для учащихся с логистической регрессией.

Загрузить ionosphere набор данных. Этот набор данных имеет 34 предиктора и 351 двоичный отклик для радарных возвращений, либо плохой ('b') или хорошо ('g').

load ionosphere

Разбейте набор данных на учебные и тестовые наборы. Укажите 30% образец для набора тестов.

rng('default') % For reproducibility
Partition = cvpartition(Y,'Holdout',0.30);
trainingInds = training(Partition); % Indices for the training set
testInds = test(Partition); % Indices for the test set

Обучение модели классификации двоичного ядра. Подбор учащихся логистической регрессии.

Mdl = fitckernel(X(trainingInds,:),Y(trainingInds), ...
    'ClassNames',{'b','g'},'Learner','logistic');

Спрогнозировать вероятности заднего класса для тестового набора.

[~,posterior] = predict(Mdl,X(testInds,:));

Поскольку Mdl имеет одну силу регуляризации, выход posterior - матрица с двумя столбцами и строками, равными количеству наблюдений тестового набора. Колонка i содержит апостериорные вероятности Mdl.ClassNames(i) с учетом особого замечания.

Получите ложные и истинные положительные показатели и оцените площадь под кривой (AUC). Укажите, что второй класс является положительным.

[fpr,tpr,~,auc] = perfcurve(Y(testInds),posterior(:,2),Mdl.ClassNames(2));
auc

auc = 0.9042

AUC близок к 1, что указывает на то, что модель хорошо предсказывает метки.

Постройте график кривой ROC.

figure;
plot(fpr,tpr)
h = gca;
h.XLim(1) = -0.1;
h.YLim(2) = 1.1;
xlabel('False positive rate')
ylabel('True positive rate')
title('ROC Curve')