Использовать templateECOC для создания шаблона ECOC по умолчанию.

t = templateECOC()

t = 
Fit template for classification ECOC.

    BinaryLearners: ''
            Coding: ''
      FitPosterior: []
           Options: []
    VerbosityLevel: []
     NumConcurrent: []
           Version: 1
            Method: 'ECOC'
              Type: 'classification'

Все свойства объекта шаблона пусты, кроме Method и Type. Когда вы проходите t кому testckfold, программа заполняет пустые свойства соответствующими значениями по умолчанию. Например, программное обеспечение заполняет BinaryLearners свойство с 'SVM'. Дополнительные сведения о других значениях по умолчанию см. в разделе fitcecoc.

t является планом для учащегося ECOC. При его создании вычисления не выполняются. Вы можете пройти t кому testckfold задание плана статистического сравнения модели классификации ECOC с другой моделью.

Одним из способов выбора предикторов или функций является обучение двух моделей, где одна использует подмножество предикторов, которые обучали другую. Статистически сравнить прогностические характеристики моделей. Если есть достаточные доказательства того, что модель, обученная на меньшем количестве предикторов, работает лучше, чем модель, обученная с использованием большего количества предикторов, то можно продолжить работу с более эффективной моделью.

Загрузите набор данных радужки Фишера. Постройте график всех 2-мерных комбинаций предикторов.

load fisheriris
d = size(meas,2); % Number of predictors
pairs = nchoosek(1:d,2)

pairs = 6×2

     1     2
     1     3
     1     4
     2     3
     2     4
     3     4

for j = 1:size(pairs,1)
    subplot(3,2,j)
    gscatter(meas(:,pairs(j,1)),meas(:,pairs(j,2)),species)
    xlabel(sprintf('meas(:,%d)',pairs(j,1)))
    ylabel(sprintf('meas(:,%d)',pairs(j,2)))
    legend off
end

На основе диаграммы рассеяния, meas(:,3) и meas(:,4) похоже, они хорошо разделяют группы.

Создайте шаблон ECOC. Укажите, следует ли использовать конструкцию кодирования «один против всех».

t = templateECOC('Coding','onevsall');

По умолчанию в модели ECOC используются линейные двоичные ученики SVM. Можно выбрать другие поддерживаемые алгоритмы, указав их с помощью 'Learners' аргумент пары имя-значение.

Проверьте, работает ли модель ECOC, которая только что обучена с использованием предикторов 3 и 4, максимум, а также модель ECOC, которая обучена с использованием всех предикторов. Отклонение этой нулевой гипотезы означает, что модель ECOC, обученная с использованием предикторов 3 и 4, работает лучше, чем модель ECOC, обученная с использованием всех предикторов. Предположим, что $${}_{\mathrm{C1}}$$ представляет ошибку классификации модели ECOC, обученной с использованием предикторов 3 и 4, а $${}_{\mathrm{C2}}$$ представляет ошибку классификации модели ECOC, обученной с использованием всех предикторов, то тест:

По умолчанию testckfold проводит 5 на 2 k-кратный F-тест, который не подходит в качестве однохвостого теста. Укажите, чтобы выполнить 5-на-2 k-кратный t-тест.

rng(1); % For reproducibility
[h,pValue] = testckfold(t,t,meas(:,pairs(6,:)),meas,species,...
    'Alternative','greater','Test','5x2t')

h = logical
   0

pValue = 0.8940

h = 0 указывает, что нет достаточных доказательств того, что модель, обученная с использованием предикторов 3 и 4, более точна, чем модель, обученная с использованием всех предикторов.