Поля классификации для наивного классификатора Байеса
m = margin(Mdl,tbl,ResponseVarName)m) для обученного наивного классификатора Байеса Mdl использование данных предиктора в таблице tbl и метки классов в tbl.ResponseVarName.
m = margin(Mdl,X,Y)Mdl использование данных предиктора в матрице X и метки классов в Y.
m возвращается в виде числового вектора с той же длиной, что и Y. Программное обеспечение оценивает каждую запись m использование обученного наивного классификатора Байеса Mdl, соответствующая строка Xи метка истинного класса Y.
Оценка полей классификации тестовых образцов наивного классификатора Байеса. Запас наблюдения - это наблюдаемый балл истинного класса минус максимальный балл ложного класса среди всех баллов соответствующего класса.
Загрузить fisheriris набор данных. Создать X в виде цифровой матрицы, которая содержит четыре измерения лепестка для 150 ирисов. Создать Y как клеточный массив характерных векторов, который содержит соответствующие виды радужки.
load fisheriris X = meas; Y = species; rng('default') % for reproducibility
Случайное разделение наблюдений на обучающий набор и тестовый набор со стратификацией с использованием информации о классе в Y. Укажите 30% образец хранения для тестирования.
cv = cvpartition(Y,'HoldOut',0.30);Извлеките показатели обучения и тестирования.
trainInds = training(cv); testInds = test(cv);
Укажите наборы данных обучения и тестирования.
XTrain = X(trainInds,:); YTrain = Y(trainInds); XTest = X(testInds,:); YTest = Y(testInds);
Обучить наивный классификатор Байеса с помощью предикторов XTrain и метки классов YTrain. Рекомендуется указывать имена классов. fitcnb предполагает, что каждый предиктор условно и нормально распределен.
Mdl = fitcnb(XTrain,YTrain,'ClassNames',{'setosa','versicolor','virginica'})
Mdl =
ClassificationNaiveBayes
ResponseName: 'Y'
CategoricalPredictors: []
ClassNames: {'setosa' 'versicolor' 'virginica'}
ScoreTransform: 'none'
NumObservations: 105
DistributionNames: {'normal' 'normal' 'normal' 'normal'}
DistributionParameters: {3x4 cell}
Properties, Methods
Mdl является обученным ClassificationNaiveBayes классификатор.
Оцените пределы классификации тестовых образцов.
m = margin(Mdl,XTest,YTest); median(m)
ans = 1.0000
Отображение гистограммы полей классификации тестовых образцов.
histogram(m,length(unique(m)),'Normalization','probability') xlabel('Test Sample Margins') ylabel('Probability') title('Probability Distribution of the Test Sample Margins')
Предпочтительны классификаторы, дающие относительно большую маржу.
Выбор элементов выполняется путем сравнения полей тестовых образцов из нескольких моделей. Исходя исключительно из этого сравнения, классификатор с самыми высокими маржами является лучшей моделью.
Загрузить fisheriris набор данных. Укажите предикторы X и метки классов Y.
load fisheriris X = meas; Y = species; rng('default') % for reproducibility
Случайное разделение наблюдений на обучающий набор и тестовый набор со стратификацией с использованием информации о классе в Y. Укажите 30% образец хранения для тестирования. Partition определяет раздел набора данных.
cv = cvpartition(Y,'Holdout',0.30);Извлеките показатели обучения и тестирования.
trainInds = training(cv); testInds = test(cv);
Укажите наборы данных обучения и тестирования.
XTrain = X(trainInds,:); YTrain = Y(trainInds); XTest = X(testInds,:); YTest = Y(testInds);
Определите два набора данных:
fullX содержит все предикторы.
partX содержит два последних предиктора.
fullX = XTrain; partX = XTrain(:,3:4);
Тренируйте наивный классификатор Байеса для каждого набора предикторов.
fullMdl = fitcnb(fullX,YTrain); partMdl = fitcnb(partX,YTrain);
fullMdl и partMdl обучены ClassificationNaiveBayes классификаторы.
Оценка полей тестовой выборки для каждого классификатора.
fullM = margin(fullMdl,XTest,YTest); median(fullM)
ans = 1.0000
partM = margin(partMdl,XTest(:,3:4),YTest); median(partM)
ans = 1.0000
Отображение распределения полей для каждой модели с помощью коробчатых графиков.
boxplot([fullM partM],'Labels',{'All Predictors','Two Predictors'}) ylim([0.98 1.01]) % Modify the y-axis limits to see the boxes title('Boxplots of Test Sample Margins')
Поля для fullMdl (модель всех предикторов) и partMdl (модель двух предикторов) имеют сходное распределение с одинаковой медианой. partMdl менее сложна, но имеет отклонения.
ClassificationNaiveBayes | CompactClassificationNaiveBayes | edge | fitcnb | loss | predict