Exponenta Banner

roc

Рабочая характеристика приемника

Синтаксис

[tpr,fpr,thresholds] = roc(targets,outputs)

Описание

Рабочая характеристика приемника является метрикой, используемой для проверки качества классификаторов. Для каждого класса классификатора roc применяет пороговые значения через интервал [0,1] к выходам. Для каждого порога вычисляются два значения, True Positive Ratio (TPR) и False Positive Ratio (FPR). Для определенного i классов TPR является количеством выходов, фактический и предсказанный класс которых является классом i, разделенным на количество выходов, предсказанный класс которых является классом i. FPR является количеством выходов, фактический класс которых не является i класса, но предсказанный класс является классом i, разделенным на количество выходов, предсказанный класс которых не является i класса.

Результаты этой функции можно визуализировать с помощью plotroc.

[tpr,fpr,thresholds] = roc(targets,outputs) принимает следующие аргументы:

targets

S-by- Q матрица, где каждый вектор-столбец содержит одну 1 значение со всеми другими элементами 0. Индекс 1 указывает, какой из S категории, которые представляет вектор.

outputs

S-by- Q матрица, где каждый столбец содержит значения в области значений [0,1]. Индекс самого большого элемента в столбце указывает, какой из S категории, которые представляет вектор. Альтернативно 1-by- Q вектор, где значения больше или равны 0.5 указать принадлежность к классу и значения ниже 0.5, немемберство.

и возвращает следующие значения:

tpr

1-by- S массив ячеек 1-by- N истинно-положительные/положительные отношения.

fpr

1-by- S массив ячеек 1-by- N ложно-положительные/отрицательные отношения.

thresholds

1-by- S массив ячеек 1-by- N пороги по интервалу [0,1].

roc(targets,outputs) принимает следующие аргументы:

targets

1-by- Q матрица логических значений, указывающих на принадлежность к классу.

outputs

S-by- Q матрица, значений в [0,1] интервал, где значения больше или равны 0.5 указать принадлежность к классу.

и возвращает следующие значения:

tpr

1-by- N вектор истинно-положительных/положительных отношений.

fpr

1-by- N вектор ложно-положительных/отрицательных отношений.

thresholds

1-by- N вектор порогов по интервалу [0,1].

Примеры

load iris_dataset
net = patternnet(20);
net = train(net,irisInputs,irisTargets);
irisOutputs = sim(net,irisInputs);
[tpr,fpr,thresholds] = roc(irisTargets,irisOutputs)

См. также

|

Введенный в R2008a

Документация по Deep Learning Toolbox

Поддержка