oobPredict

Предсказание отклика ансамбля вне мешка

Синтаксис

[label,score] = oobPredict(ens) [label,score] = oobPredict(ens,Name,Value)

Описание

[label,score] = oobPredict(ens) возвращает метки классов и счетов для ens для данных вне сумки.

[label,score] = oobPredict(ens,Name,Value) вычисляет метки и счета с дополнительными опциями, заданными одним или несколькими Name,Value аргументы в виде пар.

Входные параметры

ens

Классификационный упакованный ансамбль, построенный с fitcensemble.

Аргументы в виде пар имя-значение

Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN.

'learners'

Индексы слабых учащихся ансамбля в диапазоне от 1 на ens.NumTrained. oobEdge использует только этих учащихся для вычисления потерь.

По умолчанию: 1:NumTrained

Выходные аргументы

label

Классификационные метки совпадающего типа данных как обучающие данные Y. (Программа обрабатывает массивы строк как массивы ячеек векторов символов.) Есть N элементы или строки, где N количество обучающих наблюдений. Метка является классом с самым высоким счетом. В случае галстука метка является самой ранней в ens.ClassNames.

score

Система координат N-by- K числовая матрица для N наблюдения и K классы. Высокий счет указывает, что наблюдение, вероятно, происходит от этого класса. Счета находятся в области значений 0 на 1.

Примеры

расширить все

Узнайте ответ классификационного ансамбля

Открыть Live Script

Найдите ненужные предсказания и счета для данных радужной оболочки глаза Фишера. Найдите счета с заметной неопределенностью в полученных классификациях.

Загрузите набор выборочных данных.

load fisheriris

Обучите ансамбль мешковых классификационных деревьев.

ens = fitcensemble(meas,species,'Method','Bag');

Найдите ненужные предсказания и счета.

[label,score] = oobPredict(ens);

Найдите счета в области значений (0.2,0.8). Эти счета имеют заметную неопределенность в полученных классификациях.

unsure = ((score > .2) & (score < .8));
sum(sum(unsure))  % Number of uncertain predictions

ans = 16

Подробнее о

расширить все

Вне сумки

Bagging, которое расшифровывается как «bootstrap aggregation», является типом обучения ансамбля. Чтобы упаковать слабого ученика, такого как дерево решений на наборе данных, fitrensemble генерирует много реплик bootstrap набора данных и выращивает деревья решений на этих репликах. fitrensemble получает каждую реплику bootstrap путем случайного выбора N наблюдения вне N с заменой, где N - размер набора данных. Чтобы найти предсказанную реакцию обученного ансамбля, predict принимает на среднее значение предсказаний от отдельных деревьев.

Построение N вне N наблюдения с замещающими пропусками по среднему значению 37% (1/ e) наблюдений для каждого дерева решений. Это наблюдения «вне мешка». Для каждого наблюдения oobLoss оценивает предсказание вне мешка путем усреднения по предсказаниям со всех деревьев ансамбля, для которых это наблюдение выходит из мешка. Затем он сравнивает вычисленное предсказание с истинной характеристикой для этого наблюдения. Он вычисляет ошибку вне мешка, сравнивая предсказанные отклики вне мешка с истинными откликами для всех наблюдений, используемых для обучения. Это среднее значение вне мешка является объективным оценщиком истинной ошибки ансамбля.

Счет (ансамбль)

Для ансамблей классификационный score представляет доверие классификации в классе. Чем выше счет, тем выше доверие.

Различные алгоритмы ансамбля имеют различные определения для своих счетов. Кроме того, область значений счетов зависит от типа ансамбля. Для примера:

AdaBoostM1 счета варьируются от - ∞ до ∞.
Bag счета варьируются от 0 на 1.

См. также

oobEdge | oobLoss | oobMargin | predict

Документация