Exponenta Banner
exponenta event banner

kfoldEdge

Край классификации для перекрестно проверенной модели классификации

свернуть все на странице

    Синтаксис

    E = kfoldEdge (CVMdl)
    E = kfoldEdge (CVMdl, имя, значение)

    Описание

    пример

    E = kfoldEdge(CVMdl) возвращает край классификации, полученный перекрестно проверенной моделью классификации CVMdl. Для каждого раза, kfoldEdge вычисляет край классификации для проверочных наблюдений с использованием классификатора, обученного тренировочным наблюдениям. CVMdl.X и CVMdl.Y содержат оба набора наблюдений.

    E = kfoldEdge(CVMdl,Name,Value) возвращает край классификации с дополнительными параметрами, заданными одним или несколькими аргументами «имя-значение». Например, задайте сгибы для использования или укажите для вычисления классификационной кромки для каждой отдельной гибки.

    Примеры

    свернуть все

    Открыть сценарий в реальном времени

    Вычислите k-кратный край для модели, обученной на данных радужки Фишера.

    Загрузите набор данных радужки Фишера.

    load fisheriris

    Подготовка классификатора дерева классификации.

    tree = fitctree(meas,species);

    Перекрестная проверка классификатора с использованием 10-кратной перекрестной проверки.

    cvtree = crossval(tree);

    Вычислите k-образную кромку.

    edge = kfoldEdge(cvtree)
    edge = 0.8578
    Открыть сценарий в реальном времени

    Вычислите k-кратный край для ансамбля, обученного на данных радужки Фишера.

    Загрузите набор данных образца.

    load fisheriris

    Обучение ансамбля из 100 повышенных классификационных деревьев.

    t = templateTree('MaxNumSplits',1); % Weak learner template tree object
ens = fitcensemble(meas,species,'Learners',t);

    Создание перекрестно проверенного ансамбля из ens и найдите край классификации.

    rng(10,'twister') % For reproducibility
cvens = crossval(ens);
E = kfoldEdge(cvens)
    E = 3.2033

    Входные аргументы

    свернуть все

    Перекрестно проверенный секционированный классификатор, указанный как ClassificationPartitionedModel, ClassificationPartitionedEnsemble, или ClassificationPartitionedGAM объект. Создать объект можно двумя способами:

    • Передать обученную классификационную модель, указанную в следующей таблице, crossval объектная функция.

    • Обучите классификационную модель с помощью функции, перечисленной в следующей таблице, и укажите один из аргументов имя-значение перекрестной проверки для функции.

    Модель классификацииФункция
    ClassificationDiscriminantfitcdiscr
    ClassificationEnsemblefitcensemble
    ClassificationGAMfitcgam
    ClassificationKNNfitcknn
    ClassificationNaiveBayesfitcnb
    ClassificationNeuralNetworkfitcnet
    ClassificationSVMfitcsvm
    ClassificationTreefitctree

    Аргументы пары «имя-значение»

    Укажите дополнительные пары, разделенные запятыми Name,Value аргументы. Name является именем аргумента и Value - соответствующее значение. Name должен отображаться внутри кавычек. Можно указать несколько аргументов пары имен и значений в любом порядке как Name1,Value1,...,NameN,ValueN.

    Пример: kfoldEdge(CVMdl,'Folds',[1 2 3 5]) определяет использование первой, второй, третьей и пятой складок для вычисления классификационного ребра, но исключает четвертую складку.

    Сворачивание используемых индексов, указанных как положительный целочисленный вектор. Элементы Folds должно находиться в диапазоне от 1 кому CVMdl.KFold.

    Программное обеспечение использует только складки, указанные в Folds.

    Пример: 'Folds',[1 4 10]

    Типы данных: single | double

    Флаг для включения условий взаимодействия модели, указанный как true или false. Этот аргумент действителен только для обобщенной аддитивной модели (GAM). То есть этот аргумент можно указать только тогда, когда CVMdl является ClassificationPartitionedGAM.

    Значение по умолчанию: true если модели в CVMdl (CVMdl.Trained) содержат термины взаимодействия. Значение должно быть false если модели не содержат терминов взаимодействия.

    Пример: 'IncludeInteractions',false

    Типы данных: logical

    Уровень агрегации для выходного документа, указанный как 'average', 'individual', или 'cumulative'.

    СтоимостьОписание
    'average'Вывод является скалярным средним по всем складкам.
    'individual'Выходной сигнал представляет собой вектор длины k, содержащий одно значение на единицу, где k - количество сгибов.
    'cumulative'

    Примечание

    Если требуется указать это значение, CVMdl должно быть ClassificationPartitionedEnsemble объект или ClassificationPartitionedGAM объект.

    • Если CVMdl является ClassificationPartitionedEnsemble, то выход является вектором длины min(CVMdl.NumTrainedPerFold). Каждый элемент j - среднее значение по всем складкам, которые функция получает с помощью ансамблей, обученных у слабых учеников 1:j.

    • Если CVMdl является ClassificationPartitionedGAM, то выходное значение зависит от IncludeInteractions значение.

      • Если IncludeInteractions является false, то L является (1 + min(NumTrainedPerFold.PredictorTrees))-по-1 числовой вектор столбца. Первый элемент L - среднее значение по всем складкам, которое получается только при пересечении (постоянном) члена. (j + 1)-й элемент L - среднее значение, полученное с использованием члена перехвата и первого j деревья предиктора на линейный член.

      • Если IncludeInteractions является true, то L является (1 + min(NumTrainedPerFold.InteractionTrees))-по-1 числовой вектор столбца. Первый элемент L - среднее значение по всем складкам, которое получается с использованием члена перехвата (константы) и всех предикторных деревьев на линейный член. (j + 1)-й элемент L - среднее значение, полученное с использованием члена перехвата, всех деревьев предиктора на линейный член и первого j деревья взаимодействия по члену взаимодействия.

    Пример: 'Mode','individual'

    Выходные аргументы

    свернуть все

    Край классификации, возвращаемый как числовой скалярный или числовой вектор столбца.

    • Если Mode является 'average', то E - средний край классификации по всем складкам.

    • Если Mode является 'individual', то E является вектором числового столбца k-by-1, содержащим классификационное ребро для каждой складки, где k - количество складок.

    • Если Mode является 'cumulative' и CVMdl является ClassificationPartitionedEnsemble, то E является min(CVMdl.NumTrainedPerFold)-по-1 числовой вектор столбца. Каждый элемент j - средний край классификации по всем складкам, которые получает функция, используя ансамбли, обученные у слабых учеников 1:j.

    • Если Mode является 'cumulative' и CVMdl является ClassificationPartitionedGAM, то выходное значение зависит от IncludeInteractions значение.

      • Если IncludeInteractions является false, то L является (1 + min(NumTrainedPerFold.PredictorTrees))-по-1 числовой вектор столбца. Первый элемент L - это среднее классификационное ребро по всем складкам, которое получается только с использованием члена перехвата (константы). (j + 1)-й элемент L - среднее ребро, полученное с использованием члена перехвата и первого j деревья предиктора на линейный член.

      • Если IncludeInteractions является true, то L является (1 + min(NumTrainedPerFold.InteractionTrees))-по-1 числовой вектор столбца. Первый элемент L - это средний край классификации по всем складкам, который получается с использованием члена перехвата (константы) и всех деревьев предиктора на линейный член. (j + 1)-й элемент L - среднее ребро, полученное с использованием члена перехвата, всех деревьев предиктора на линейный член, и первое j деревья взаимодействия по члену взаимодействия.

    Подробнее

    свернуть все

    Край классификации

    Край классификации - это средневзвешенное значение полей классификации.

    Один из способов выбора из нескольких классификаторов, например, выбор элемента, - выбор классификатора, который дает наибольший край.

    Маржа классификации

    Поле классификации для двоичной классификации является для каждого наблюдения разницей между оценкой классификации для истинного класса и оценкой классификации для ложного класса. Поле классификации для мультиклассовой классификации представляет собой разницу между оценкой классификации для истинного класса и максимальной оценкой для ложных классов.

    Если поля находятся на одной шкале (то есть значения баллов основаны на одном и том же преобразовании баллов), то они служат в качестве показателя достоверности классификации. Среди нескольких классификаторов лучше те, которые дают большую маржу.

    Алгоритмы

    kfoldEdge вычисляет край классификации, как описано в соответствующем edge объектная функция. Описание модели см. в соответствующих разделах. edge страница ссылки на функцию в следующей таблице.

    Тип моделиedge Функция
    Классификатор дискриминантного анализаedge
    Ансамблевый классификаторedge
    Классификатор обобщенной аддитивной моделиedge
    k-ближайший классификатор соседейedge
    Наивный классификатор Байесаedge
    Нейросетевой классификаторedge
    Поддерживающий векторный машинный классификаторedge
    Двоичное дерево решений для многоклассовой классификацииedge

    Расширенные возможности

    См. также

    | | | |

    Представлен в R2011a

    Документация по инструментам для статистического и машинного обучения

    Поддержка