Exponenta Banner
exponenta event banner

kfoldMargin

Поля классификации для перекрестно проверенной модели классификации

свернуть все на странице

    Синтаксис

    M = kfoldMargin (CVMdl)
    M = kfoldMargin (CVMdl, «IncludeInteractions», includeInteractions)

    Описание

    пример

    M = kfoldMargin(CVMdl) возвращает значения полей классификации, полученные с помощью перекрестно проверенной модели классификации CVMdl. Для каждого раза, kfoldMargin вычисляет поля классификации для проверочных наблюдений с использованием классификатора, обученного тренировочным наблюдениям. CVMdl.X и CVMdl.Y содержат оба набора наблюдений.

    M = kfoldMargin(CVMdl,'IncludeInteractions',includeInteractions) указывает, следует ли включать в вычисления элементы взаимодействия. Этот синтаксис применяется только к обобщенным аддитивным моделям.

    Примеры

    свернуть все

    Открыть сценарий в реальном времени

    Найдите k-кратные поля для ансамбля, который классифицирует ionosphere данные.

    Загрузить ionosphere набор данных.

    load ionosphere

    Создание культи дерева шаблонов.

    t = templateTree('MaxNumSplits',1);

    Обучение классификационного ансамбля деревьев решений. Определить t как слабый ученик.

    Mdl = fitcensemble(X,Y,'Method','AdaBoostM1','Learners',t);

    Перекрестная проверка классификатора с использованием 10-кратной перекрестной проверки.

    cvens = crossval(Mdl);

    Вычислите k-кратные поля. Отображение сводной статистики для полей.

    m = kfoldMargin(cvens);
marginStats = table(min(m),mean(m),max(m),...
    'VariableNames',{'Min','Mean','Max'})
    marginStats=1×3 table
      Min       Mean      Max  
    _______    ______    ______

    -11.312    7.3236    23.517

    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

    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.

    Типы данных: logical

    Выходные аргументы

    свернуть все

    Поля классификации, возвращаемые в виде числового вектора. M - вектор n-by-1, где каждая строка является полем соответствующего наблюдения, а n - числом наблюдений. (n - size(CVMdl.X,1) когда наблюдения находятся в строках.)

    При использовании метода проверки удержания для создания CVMdl (то есть, если CVMdl.KFold является 1), то M имеет NaN значения для тренировочных наблюдений.

    Подробнее

    свернуть все

    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

    kfoldMargin вычисляет поля классификации, как описано в соответствующем margin объектная функция. Описание модели см. в соответствующих разделах. margin страница ссылки на функцию в следующей таблице.

    Тип моделиmargin Функция
    Классификатор дискриминантного анализаmargin
    Ансамблевый классификаторmargin
    Классификатор обобщенной аддитивной моделиmargin
    k-ближайший классификатор соседейmargin
    Наивный классификатор Байесаmargin
    Нейросетевой классификаторmargin
    Поддерживающий векторный машинный классификаторmargin
    Двоичное дерево решений для многоклассовой классификацииmargin

    Расширенные возможности

    См. также

    | | | |

    Представлен в R2011a

    Документация по инструментам для статистического и машинного обучения

    Поддержка