В этом примере показано, как построить график поверхности принятия решения для различных алгоритмов классификации.
Загрузите набор данных радужки Фишера.
load fisheriris
X = meas(:,1:2);
y = categorical(species);
labels = categories(y);X - числовая матрица, содержащая два измерения лепестка для 150 ирисов. Y - клеточный массив символьных векторов, который содержит соответствующие виды радужки.
Визуализация данных с помощью графика рассеяния. Сгруппируйте переменные по видам радужки.
gscatter(X(:,1),X(:,2),species,'rgb','osd'); xlabel('Sepal length'); ylabel('Sepal width');
Выполните обучение четырех различных классификаторов и сохраните модели в массиве ячеек.
classifier_name = {'Naive Bayes','Discriminant Analysis','Classification Tree','Nearest Neighbor'};Тренируйте наивную модель Байеса.
classifier{1} = fitcnb(X,y);Подготовка классификатора дискриминантного анализа.
classifier{2} = fitcdiscr(X,y);Обучение дерева принятия решений по классификации.
classifier{3} = fitctree(X,y);Обучить k-ближайший классификатор соседей.
classifier{4} = fitcknn(X,y);Создайте сетку точек, охватывающих все пространство в пределах фактических значений данных.
x1range = min(X(:,1)):.01:max(X(:,1)); x2range = min(X(:,2)):.01:max(X(:,2)); [xx1, xx2] = meshgrid(x1range,x2range); XGrid = [xx1(:) xx2(:)];
Предсказать виды радужки каждого наблюдения в XGrid с использованием всех классификаторов. Постройте график рассеяния результатов.
for i = 1:numel(classifier) predictedspecies = predict(classifier{i},XGrid); subplot(2,2,i); gscatter(xx1(:), xx2(:), predictedspecies,'rgb'); title(classifier_name{i}) legend off, axis tight end legend(labels,'Location',[0.35,0.01,0.35,0.05],'Orientation','Horizontal')
Каждый алгоритм классификации генерирует различные правила принятия решений. Поверхность принятия решений может помочь визуализировать эти правила.