exponenta event banner

край

Поля классификации

Синтаксис

M = margin(ens,tbl,ResponseVarName)
M = margin(ens,tbl,Y)
M = margin(ens,X,Y)
M = margin(___Name,Value)

Описание

M = margin(ens,tbl,ResponseVarName) возвращает поле классификации для прогнозов ens о данных tbl, когда истинные классификации tbl.ResponseVarName.

M = margin(ens,tbl,Y) возвращает поле классификации для прогнозов ens о данных tbl, когда истинные классификации Y.

M = margin(ens,X,Y) возвращает поле классификации для прогнозов ens о данных X, когда истинные классификации Y.

M = margin(___Name,Value) вычисляет маржу с дополнительными опциями, указанными одним или несколькими Name,Value парные аргументы, использующие любой из предыдущих синтаксисов.

Входные аргументы

ens

Классификационный ансамбль, созданный с помощью fitcensembleили компактный классификационный ансамбль, созданный с помощью compact.

tbl

Образец данных, указанный как таблица. Каждая строка tbl соответствует одному наблюдению, и каждый столбец соответствует одной прогнозирующей переменной. tbl должен содержать все предикторы, используемые для обучения модели. Многозначные переменные и массивы ячеек, отличные от массивов ячеек символьных векторов, не допускаются.

Если вы тренировались ens с использованием образцов данных, содержащихся в table, то входные данные для этого метода также должны быть в таблице.

ResponseVarName

Имя переменной ответа, указанное как имя переменной в tbl.

Необходимо указать ResponseVarName в виде вектора символов или строкового скаляра. Например, если переменная ответа Y хранится как tbl.Y, затем укажите его как 'Y'. В противном случае программа обрабатывает все столбцы tbl, в том числе Y, в качестве предикторов при обучении модели.

X

Матрица данных для классификации. Каждая строка X представляет одно наблюдение, и каждый столбец представляет один предиктор. X должно иметь то же количество столбцов, что и данные, используемые для обучения ens. X должно иметь то же количество строк, что и число элементов в Y.

Если вы тренировались ens используя данные выборки, содержащиеся в матрице, входные данные для этого метода также должны быть в матрице.

Y

Метки классов наблюдений в tbl или X. Y должен быть того же типа, что и классификация, используемая для обучения ens, и его число элементов должно равняться числу строк tbl или X.

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.

'learners'

Показатели слабых учащихся в ансамбле варьируются от 1 кому ens.NumTrained. oobEdge использует только этих учеников для расчета потерь.

По умолчанию: 1:NumTrained

'UseObsForLearner'

Логическая матрица размера Nоколо-T, где:

  • N - количество строк X.

  • T - число слабых учащихся в ens.

Когда UseObsForLearner(i,j) является true, ученик j используется при прогнозировании класса строки i из X.

По умолчанию: true(N,T)

Выходные аргументы

M

Вектор числового столбца с тем же количеством строк, что и tbl или X. Каждая строка M дает поле классификации для этой строки tbl или X.

Примеры

развернуть все

Найдите поле для классификации среднего цветка из fisheriris данные как 'versicolor'.

Загрузите набор данных радужки Фишера.

load fisheriris

Обучение ансамбля из 100 усиленных деревьев классификации с помощью AdaBoostM2.

t = templateTree('MaxNumSplits',1); % Weak learner template tree object
ens = fitcensemble(meas,species,'Method','AdaBoostM2','Learners',t);

Классифицируйте средний цветок и найдите поле классификации.

flower = mean(meas);
predict(ens,flower)
ans = 1x1 cell array
    {'versicolor'}

margin(ens,flower,'versicolor')
ans = 3.2140

Подробнее

развернуть все

Расширенные возможности

См. также

| |