Классифицируйте наблюдения с помощью перекрестно проверенного двоичного классификатора ядра и отобразите матрицу путаницы для результирующей классификации.

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

load ionosphere

Перекрестная проверка двоичной модели классификации ядра с использованием данных.

rng(1); % For reproducibility 
CVMdl = fitckernel(X,Y,'Crossval','on')

CVMdl = 
  ClassificationPartitionedKernel
    CrossValidatedModel: 'Kernel'
           ResponseName: 'Y'
        NumObservations: 351
                  KFold: 10
              Partition: [1x1 cvpartition]
             ClassNames: {'b'  'g'}
         ScoreTransform: 'none'


  Properties, Methods

CVMdl является ClassificationPartitionedKernel модель. По умолчанию программное обеспечение реализует 10-кратную перекрестную проверку. Чтобы указать другое количество сгибов, используйте 'KFold' аргумент пары имя-значение вместо 'Crossval'.

Классифицировать наблюдения, которые fitckernel не использует при обучении складки.

label = kfoldPredict(CVMdl);

Создайте матрицу путаницы, чтобы сравнить истинные классы наблюдений с их предсказанными метками.

C = confusionchart(Y,label);

CVMdl модель ошибочно классифицирует 32 добра ('g') радар возвращается как плохой ('b') и неправильно классифицирует 7 плохих радаров как хорошие.

Оценка вероятности апостериорного класса с использованием перекрестно проверенного двоичного классификатора ядра и определение качества модели путем построения кривой рабочих характеристик приемника (ROC). Перекрестно проверенные модели классификации ядра возвращают задние вероятности только для учащихся с логистической регрессией.

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

load ionosphere

Перекрестная проверка двоичной модели классификации ядра с использованием данных. Укажите порядок занятий и подберите слушателей логистической регрессии.

rng(1); % For reproducibility 
CVMdl = fitckernel(X,Y,'Crossval','on', ...
    'ClassNames',{'b','g'},'Learner','logistic')

CVMdl = 
  ClassificationPartitionedKernel
    CrossValidatedModel: 'Kernel'
           ResponseName: 'Y'
        NumObservations: 351
                  KFold: 10
              Partition: [1x1 cvpartition]
             ClassNames: {'b'  'g'}
         ScoreTransform: 'none'


  Properties, Methods

CVMdl является ClassificationPartitionedKernel модель. По умолчанию программное обеспечение реализует 10-кратную перекрестную проверку. Чтобы указать другое количество сгибов, используйте 'KFold' аргумент пары имя-значение вместо 'Crossval'.

Предсказать вероятности заднего класса для наблюдений, которые fitckernel не использует при обучении складки.

[~,posterior] = kfoldPredict(CVMdl);

Продукция posterior является матрицей с двумя столбцами и n строки, где n - количество наблюдений. Колонка i содержит апостериорные вероятности CVMdl.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,posterior(:,2),CVMdl.ClassNames(2));
auc

auc = 0.9441

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

Постройте график кривой ROC.

plot(fpr,tpr)
xlabel('False positive rate')
ylabel('True positive rate')
title('ROC Curve')