Класс: ClassificationTree
Прогнозирование меток повторного замещения дерева классификации
label = resubPredict(tree)
[label,posterior] = resubPredict(tree)
[label,posterior,node] = resubPredict(tree)
[label,posterior,node,cnum] = resubPredict(tree)
[label,...] = resubPredict(tree,Name,Value)
label = resubPredict(tree)tree прогнозы для данных tree.X. label является предсказаниями tree о данных, которые fitctree используется для создания tree.
[ возвращает апостериорные вероятности классов для прогнозов.label,posterior] = resubPredict(tree)
[ возвращает номера узлов label,posterior,node] = resubPredict(tree)tree для повторно замещенных данных.
[ возвращает предсказанные номера классов для прогнозов.label,posterior,node,cnum] = resubPredict(tree)
[label,...] = resubPredict( возвращает прогнозы восстановления с дополнительными опциями, указанными одним или несколькими tree,Name,Value)Name,Value аргументы пары.
|
Ответ Если |
|
Матрица или массив задних вероятностей для классов Если Если |
|
Номера узлов Если Если |
|
Номера классов, которые Если Если |
Найдите общее число ошибочных классификаций данных радужки Фишера для дерева классификации.
load fisheriris tree = fitctree(meas,species); Ypredict = resubPredict(tree); % The predictions Ysame = strcmp(Ypredict,species); % True when == sum(~Ysame) % How many are different?
ans = 3
Загрузите набор данных радужки Фишера. Разделение данных на обучение (50%)
load fisheririsВырастите классификационное дерево с помощью всех измерений лепестков.
Mdl = fitctree(meas(:,3:4),species); n = size(meas,1); % Sample size K = numel(Mdl.ClassNames); % Number of classes
Просмотр дерева классификации.
view(Mdl,'Mode','graph');
Дерево классификации имеет четыре уровня обрезки. Уровень 0 - это полное дерево без обрезки (как показано). Уровень 4 - это только корневой узел (т.е. без разбиений).
Оцените апостериорные вероятности для каждого класса, используя поддеревы, отсеченные до уровней 1 и 3.
[~,Posterior] = resubPredict(Mdl,'SubTrees',[1 3]);Posterior является nоколо- K-by- 2 массив задних вероятностей. Ряды Posterior соответствуют наблюдениям, столбцы соответствуют классам с порядком Mdl.ClassNamesи страницы соответствуют уровню отсечения.
Отображение апостериорных вероятностей класса для радужки 125 с использованием каждого поддерева.
Posterior(125,:,:)
ans =
ans(:,:,1) =
0 0.0217 0.9783
ans(:,:,2) =
0 0.5000 0.5000
Пень решения (стр. 2 Posterior) имеет проблемы с предсказанием, является ли радужка 125 versicolor или virginica.
Апостериорная вероятность классификации в узле - это число обучающих последовательностей, которые приводят к этому узлу с этой классификацией, деленное на число обучающих последовательностей, которые приводят к этому узлу.
Например, рассмотрите возможность классификации предиктора X как true когда X<0.15 или X>0.95, и X в противном случае имеет значение false.
Создайте 100 случайных точек и классифицируйте их:
rng(0) % For reproducibility X = rand(100,1); Y = (abs(X - .55) > .4); tree = fitctree(X,Y); view(tree,'Mode','graph')
Обрезать дерево:
tree1 = prune(tree,'Level',1); view(tree1,'Mode','graph')
Обрезанное дерево правильно классифицирует наблюдения, которые меньше 0,15 true. Он также правильно классифицирует наблюдения между 15 и .94 как false. Однако он неправильно классифицирует наблюдения, которые превышают 0,94, как false. Поэтому оценка для наблюдений, которые превышают 0,15, должна быть около 0,05/.85 = 0,06 дляtrueи около 0,8/.85 = 0,94 дляfalse.
Вычислите оценки прогнозирования для первых 10 строк X:
[~,score] = predict(tree1,X(1:10)); [score X(1:10,:)]
ans = 10×3
0.9059 0.0941 0.8147
0.9059 0.0941 0.9058
0 1.0000 0.1270
0.9059 0.0941 0.9134
0.9059 0.0941 0.6324
0 1.0000 0.0975
0.9059 0.0941 0.2785
0.9059 0.0941 0.5469
0.9059 0.0941 0.9575
0.9059 0.0941 0.9649
Действительно, каждая ценность X (самый правый столбец), который меньше 0,15, имеет связанные оценки (левый и центральный столбцы) 0 и 1, в то время как другие значения X имеют связанные баллы 0.94 и 0.06.
fitctree | predict | resubEdge | resubLoss | resubMargin