край

Поля классификации

Синтаксис

m = margin (дерево, TBL, ResponseVarName)

m = запас (дерево, TBL, Y)

m = поле (дерево, X, Y)

Описание

m = margin(tree,TBL,ResponseVarName) возвращает значения полей классификации для таблицы предикторов TBL и метки классов TBL.ResponseVarName. Описание см. в разделе Поле.

m = margin(tree,TBL,Y) возвращает значения полей классификации для таблицы предикторов TBL и метки классов Y.

m = margin(tree,X,Y) возвращает значения полей классификации для матрицы предикторов X и метки классов Y.

Входные аргументы

развернуть все

`tree` - Обученное дерево классификации
`ClassificationTree` объект модели | `CompactClassificationTree` объект модели

Обученное дерево классификации, указанное как ClassificationTree или CompactClassificationTree объект модели. То есть tree является обученной моделью классификации, возвращенной fitctree или compact.

`TBL` - Образцы данных
стол

Образец данных, указанный как таблица. Каждая строка TBL соответствует одному наблюдению, и каждый столбец соответствует одной прогнозирующей переменной. Дополнительно, TBL может содержать дополнительные столбцы для переменной ответа и весов наблюдения. TBL должен содержать все предикторы, используемые для обучения tree. Многозначные переменные и массивы ячеек, отличные от массивов ячеек символьных векторов, не допускаются.

Если TBL содержит переменную ответа, используемую для обучения tree, то указывать не нужно ResponseVarName или Y.

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

Типы данных: table

`X` - Данные для классификации
числовая матрица

Данные для классификации, указанные как числовая матрица. 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 tree. X должно иметь то же количество строк, что и число элементов в Y.

Типы данных: single | double

`ResponseVarName` - Имя переменной ответа
имя переменной в `TBL`

Имя переменной ответа, указанное как имя переменной в TBL. Если TBL содержит переменную ответа, используемую для обучения tree, то указывать не нужно ResponseVarName.

При указании ResponseVarName, то это необходимо сделать как вектор символа или скаляр строки. Например, если переменная ответа сохранена как TBL.Response, затем укажите его как 'Response'. В противном случае программа обрабатывает все столбцы TBL, в том числе TBL.ResponseVarName, как предикторы.

Переменная ответа должна быть категориальным, символьным или строковым массивом, логическим или числовым вектором или массивом ячеек символьных векторов. Если ответная переменная является символьным массивом, то каждый элемент должен соответствовать одной строке массива.

Типы данных: char | string

`Y` - Этикетки классов
категориальный массив | символьный массив | строковый массив | логический вектор | числовой вектор | клеточный массив символьных векторов

Метки класса, указанные как категориальный, символьный или строковый массив, логический или числовой вектор или массив ячеек символьных векторов. Y должен быть того же типа, что и классификация, используемая для обучения tree, и его число элементов должно равняться числу строк X.

Выходные аргументы

развернуть все

`m` - Запас
числовой вектор столбца

Поле, возвращаемое как числовой вектор столбца длины size(X,1). Каждая запись в m представляет собой поле для соответствующих строк X и (истинный класс) Y, вычислено с использованием tree.

Примеры

Вычислите маржу классификации для данных радужки Фишера, обученных на первых двух столбцах данных, и просмотрите последние 10 записей.

load fisheriris
X = meas(:,1:2);
tree = fitctree(X,species);
M = margin(tree,X,species);
M(end-10:end)

Дерево классификации, обученное всем данным, лучше.

tree = fitctree(meas,species);
M = margin(tree,meas,species);
M(end-10:end)

Подробнее

развернуть все

Край

Запас классификации - это разница между показателем классификации для истинного класса и максимальным показателем классификации для ложных классов. Поле - это вектор столбца с тем же числом строк, что и в матрице X.

Оценка (дерево)

Для деревьев оценка классификации листового узла является апостериорной вероятностью классификации в этом узле. Апостериорная вероятность классификации в узле - это число обучающих последовательностей, которые приводят к этому узлу с классификацией, деленное на число обучающих последовательностей, которые приводят к этому узлу.

Например, рассмотрите возможность классификации предиктора X как true когда X < 0.15 или X > 0.95, и X в противном случае имеет значение false.

Создайте 100 случайных точек и классифицируйте их:

rng(0,'twister') % for reproducibility
X = rand(100,1);
Y = (abs(X - .55) > .4);
tree = fitctree(X,Y);
view(tree,'Mode','Graph')

Обрезать дерево:

tree1 = prune(tree,'Level',1);
view(tree1,'Mode','Graph')

Обрезанное дерево правильно классифицирует наблюдения, которые меньше 0,15 true. Он также правильно классифицирует наблюдения с .15 по .94 как false. Однако он неправильно классифицирует наблюдения, которые превышают 0,94, как false. Поэтому оценка для наблюдений, которые превышают 0,15, должна быть около 0,05/.85 = 0,06 дляtrueи около 0,8/.85 = 0,94 дляfalse.

Вычислите оценки прогнозирования для первых 10 строк X:

[~,score] = predict(tree1,X(1:10));
[score X(1:10,:)]

ans = 10×3

    0.9059    0.0941    0.8147
    0.9059    0.0941    0.9058
         0    1.0000    0.1270
    0.9059    0.0941    0.9134
    0.9059    0.0941    0.6324
         0    1.0000    0.0975
    0.9059    0.0941    0.2785
    0.9059    0.0941    0.5469
    0.9059    0.0941    0.9575
    0.9059    0.0941    0.9649

Действительно, каждая ценность X (самый правый столбец), который меньше 0,15, имеет связанные оценки (левый и центральный столбцы) 0 и 1, в то время как другие значения X имеют связанные баллы 0.91 и 0.09. Разница (балл 0.09 вместо ожидаемого .06) из-за статистической флуктуации: есть 8 наблюдения в X в диапазоне (.95,1) вместо ожидаемого 5 наблюдения.

Расширенные возможности

Массивы высокого уровня
Расчет с массивами, в которых больше строк, чем в памяти.

Эта функция полностью поддерживает массивы tall. Дополнительные сведения см. в разделе Массивы Tall.

См. также

edge | fitctree | loss | predict

Документация

край

Синтаксис

Описание

Входные аргументы

`tree` - Обученное дерево классификации
`ClassificationTree` объект модели | `CompactClassificationTree` объект модели

`TBL` - Образцы данных
стол

`X` - Данные для классификации
числовая матрица

`ResponseVarName` - Имя переменной ответа
имя переменной в `TBL`

`Y` - Этикетки классов
категориальный массив | символьный массив | строковый массив | логический вектор | числовой вектор | клеточный массив символьных векторов

Выходные аргументы

`m` - Запас
числовой вектор столбца

Примеры

Подробнее

Край

Оценка (дерево)

Расширенные возможности

Массивы высокого уровня
Расчет с массивами, в которых больше строк, чем в памяти.

См. также

Документация по инструментам для статистического и машинного обучения

Поддержка

Документация

край

Синтаксис

Описание

Входные аргументы

tree - Обученное дерево классификации ClassificationTree объект модели | CompactClassificationTree объект модели

TBL - Образцы данных стол

X - Данные для классификации числовая матрица

ResponseVarName - Имя переменной ответа имя переменной в TBL

Y - Этикетки классов категориальный массив | символьный массив | строковый массив | логический вектор | числовой вектор | клеточный массив символьных векторов

Выходные аргументы

m - Запас числовой вектор столбца

Примеры

Подробнее

Край

Оценка (дерево)

Расширенные возможности

Массивы высокого уровня Расчет с массивами, в которых больше строк, чем в памяти.

См. также

Документация по инструментам для статистического и машинного обучения

Поддержка

`tree` - Обученное дерево классификации
`ClassificationTree` объект модели | `CompactClassificationTree` объект модели

`TBL` - Образцы данных
стол

`X` - Данные для классификации
числовая матрица

`ResponseVarName` - Имя переменной ответа
имя переменной в `TBL`

`Y` - Этикетки классов
категориальный массив | символьный массив | строковый массив | логический вектор | числовой вектор | клеточный массив символьных векторов

`m` - Запас
числовой вектор столбца

Массивы высокого уровня
Расчет с массивами, в которых больше строк, чем в памяти.