Имя объекта, заданное как вектор символов. Используйте запись через точку, чтобы задать это свойство.

Пример: 'cp_kfold'

Типы данных: char

Описание объекта, заданное как вектор символов. Используйте запись через точку, чтобы задать это свойство.

Пример: 'performance_data_kfold'

Типы данных: char

Это свойство доступно только для чтения.

Уникальный набор истинных меток из groundTruth, заданный как вектор положительных целых чисел или массив ячеек из векторов символов. Это свойство эквивалентно выходу, когда вы запускаете уникальный (groundTruth).

Пример: {'ovarian','liver','normal'}

Типы данных: double | cell

Это свойство доступно только для чтения.

Истинные метки для всех наблюдений в вашем наборе данных, заданные как вектор положительных целых чисел или массив ячеек из векторов символов.

Пример: {'ovarian','liver','normal','ovarian','ovarian','liver'}

Типы данных: double | cell

Это свойство доступно только для чтения.

Количество наблюдений в наборе данных, заданное как положительное целое число.

Пример: 200

Типы данных: double

Индексы классов управления из истинных меток (ClassLabels), заданный как вектор положительных целых чисел. Это свойство указывает на контрольные (или отрицательные) классы в диагностическом тесте. По умолчанию ControlClasses содержит все классы, кроме первого класса, возвращенные grp2idx (groundTruth).

Вы можете задать это свойство с помощью записи через точку или 'Negative' аргумент пары "имя-значение" classperf функция.

Пример: [3]

Типы данных: double

Индексы к целевым классам из истинных меток (ClassLabels), заданный как вектор положительных целых чисел. Это свойство указывает целевые (или положительные) классы в диагностическом тесте. По умолчанию TargetClasses содержит первый класс, возвращенный grp2idx (groundTruth).

Вы можете задать это свойство с помощью записи через точку или 'Positive' аргумент пары "имя-значение" classperf функция.

Пример: [1 2]

Типы данных: double

Это свойство доступно только для чтения.

Количество вычислений для каждой выборки во время валидации, заданное в виде числового вектора. Для примера, если вы используете ресубституцию, SampleDistribution является вектором таковых и ValidationCounter = 1. Если у вас есть 10-кратная перекрестная валидация, SampleDistribution является также вектором таковых, но ValidationCounter = 10.

SampleDistribution полезно при выполнении разбиений Монте-Карло тестовых наборов, и это может помочь определить, проверяется ли каждая выборка равное количество раз.

Пример: [0 0 2 0]

Типы данных: double

Это свойство доступно только для чтения.

Частота неправильной классификации каждой выборки, заданная как числовой вектор.

Пример: [0 0 1 0]

Типы данных: double

Это свойство доступно только для чтения.

Частота истинных классов во время валидации, заданная как числовой вектор.

Пример: [10 10 0]

Типы данных: double

Это свойство доступно только для чтения.

Частота ошибок для каждого класса во время валидации, заданная как числовой вектор.

Пример: [0 0 0]

Типы данных: double

Это свойство доступно только для чтения.

Количество валидаций виде положительного целого числа.

Пример: 10

Типы данных: double

Это свойство доступно только для чтения.

Матрица неточностей классификации, заданная как числовой массив. Порядок строк и столбцов в матрице тот же, что и в grp2idx(groundTruth). Столбцы представляют истинные классы, а строки - предсказание классификатора. Последняя строка в CountingMatrix зарезервирован для подсчета неубедительных результатов.

Пример: [10 0 0;0 10 0; 0 0 0; 0 0 0]

Типы данных: double

Это свойство доступно только для чтения.

Правильная скорость классификатора, заданная как положительная скалярная величина. CorrectRate определяется как количество правильно классифицированных выборок, разделенное на количество классифицированных выборок. Неубедительные результаты не учитываются.

Пример: 1

Типы данных: double

Это свойство доступно только для чтения.

Вероятность ошибок классификатора, заданная как положительная скалярная величина. ErrorRate определяется как количество неправильно классифицированных выборок, разделенных на количество классифицированных выборок. Неубедительные результаты не учитываются.

Пример: 0

Типы данных: double

Это свойство доступно только для чтения.

Правильная скорость классификатора во время последнего прогона проверки, заданная как положительная скалярная величина. В отличие от CorrectRate, LastCorrectRate применяется только к оцененным выборкам из последнего запуска валидации объекта эффективности классификатора.

Пример: 1

Типы данных: double

Это свойство доступно только для чтения.

Вероятность ошибок классификатора во время последнего прогона проверки, заданная как положительная скалярная величина. В отличие от ErrorRate, LastErrorRate применяется только к оцененным выборкам из последнего запуска валидации объекта эффективности классификатора.

Пример: 0

Типы данных: double

Это свойство доступно только для чтения.

Неубедительная скорость классификатора, заданная как положительная скалярная величина. InconclusiveRate определяется как количество неклассифицированных (нерезультативных) выборок, разделенных на общее количество выборок.

Пример: 0

Типы данных: double

Это свойство доступно только для чтения.

Классифицированная скорость классификатора, заданная как положительная скалярная величина. ClassifiedRate определяется как количество классифицированных выборок, разделенных на общее количество выборок.

Пример: 1

Типы данных: double

Это свойство доступно только для чтения.

Чувствительность классификатора, заданная как положительная скалярная величина. Sensitivity определяется как количество правильно классифицированных положительных выборок, разделенных на количество истинно положительных выборок.

Неубедительные результаты, которые являются истинными положительными результатами, считаются ошибками для вычислений Sensitivity. Другими словами, неубедительные результаты могут снизить диагностическое значение теста.

Пример: 1

Типы данных: double

Это свойство доступно только для чтения.

Специфика классификатора, заданная как положительная скалярная величина. Specificity определяется как количество правильно классифицированных отрицательных выборок, разделенных на количество истинно отрицательных выборок.

Неубедительные результаты, которые являются истинными негативами, учитываются как ошибки для вычислений Specificity. Другими словами, неубедительные результаты могут снизить диагностическое значение теста.

Пример: 0.8

Типы данных: double

Это свойство доступно только для чтения.

Положительное прогнозирующее значение классификатора, заданное как положительная скалярная величина. PositivePredictiveValue определяется как количество правильно классифицированных положительных выборок, разделенных на количество положительных классифицированных выборок.

Неубедительные результаты классифицируются как отрицательные при вычислении PositivePredictiveValue.

Пример: 1

Типы данных: double

Это свойство доступно только для чтения.

Отрицательное прогнозирующее значение классификатора, заданное как положительная скалярная величина. NegativePredictiveValue определяется как количество правильно классифицированных отрицательных выборок, разделенных на количество отрицательных классифицированных выборок.

Неубедительные результаты классифицируются как положительные при вычислении NegativePredictiveValue.

Пример: 1

Типы данных: double

Это свойство доступно только для чтения.

Положительная вероятность классификатора, заданная как положительная скалярная величина. PositiveLikelihood определяется как Sensitivity / (1 - Specificity).

Пример: 5

Типы данных: double

Это свойство доступно только для чтения.

Отрицательная вероятность классификатора, заданная как положительная скалярная величина. NegativeLikelihood определяется как (1 - Sensitivity) / Specificity.

Пример: 0

Типы данных: double

Это свойство доступно только для чтения.

Распространенность классификатора, заданная как положительная скалярная величина. Prevalence определяется как количество истинных положительных выборок, разделенных на общее количество выборок.

Пример: 1

Типы данных: double

Это свойство доступно только для чтения.

Диагностическая таблица, заданная как числовой массив два на два. Первая строка указывает количество выборок, классифицированных как положительные, с количеством истинных срабатываний в первом столбце и количеством ложных срабатываний во втором столбце. Вторая строка указывает количество выборок, классифицированных как отрицательные, с количеством ложных срабатываний в первом столбце и количеством истинных срабатываний во втором столбце.

Правильные классификации появляются в диагональных элементах, а ошибки - в off-диагональных элементах. Неубедительные результаты считаются ошибками и подсчитываются в недиагональных элементах. Например, см. Пример диагностической таблицы.

Пример: [20 0;0 0]

Типы данных: double