Классификационные поля для многоклассовой модели выходных кодов с коррекцией ошибок (ECOC)
m = margin(Mdl,tbl,ResponseVarName)m) для обученного многоклассового выхода кодов с коррекцией ошибок (ECOC) Mdl использование данных предиктора в таблице tbl и метки классов в tbl.ResponseVarName.
m = margin(___,Name,Value)
Вычислите поля классификации тестовой выборки модели ECOC с двоичными учениками SVM.
Загрузите набор данных радужки Фишера. Задайте данные предиктора X, данные отклика Y, и порядок классов в Y.
load fisheriris X = meas; Y = categorical(species); classOrder = unique(Y); % Class order rng(1) % For reproducibility
Обучите модель ECOC с помощью двоичных классификаторов SVM. Задайте 30% -ную выборку, стандартизируйте предикторы с помощью шаблона SVM и укажите порядок классов.
t = templateSVM('Standardize',true); PMdl = fitcecoc(X,Y,'Holdout',0.30,'Learners',t,'ClassNames',classOrder); Mdl = PMdl.Trained{1}; % Extract trained, compact classifier
PMdl является ClassificationPartitionedECOC модель. Он имеет свойство Trainedмассив ячеек 1 на 1, содержащий CompactClassificationECOC Модель, что программное обеспечение обучалось с использованием набора обучающих данных.
Вычислите поля классификации тестовой выборки. Отображение распределения полей с помощью прямоугольного графика.
testInds = test(PMdl.Partition); % Extract the test indices XTest = X(testInds,:); YTest = Y(testInds,:); m = margin(Mdl,XTest,YTest); boxplot(m) title('Test-Sample Margins')
Классификационный запас наблюдения является отрицательной потерей положительного класса минус максимально отрицательная потеря отрицательного класса. Выберите классификаторы, которые дают относительно большие маржи.
Выполните выбор признаков путем сравнения полей тестовой выборки из нескольких моделей. Основываясь исключительно на этом сравнении, модель с наибольшими запасами является лучшей моделью.
Загрузите набор данных радужки Фишера. Задайте данные предиктора X, данные отклика Y, и порядок классов в Y.
load fisheriris X = meas; Y = categorical(species); classOrder = unique(Y); % Class order rng(1); % For reproducibility
Разделите набор данных на наборы для обучения и тестирования. Укажите 30% -ная выборка удержания для проверки.
Partition = cvpartition(Y,'Holdout',0.30); testInds = test(Partition); % Indices for the test set XTest = X(testInds,:); YTest = Y(testInds,:);
Partition определяет раздел набора данных.
Задайте эти два набора данных:
fullX содержит все четыре предиктора.
partX содержит только измерения сепаля.
fullX = X; partX = X(:,1:2);
Обучите модель ECOC с помощью двоичных классификаторов SVM для каждого набора предикторов. Задайте определение раздела, стандартизируйте предикторы с помощью шаблона SVM и задайте порядок классов.
t = templateSVM('Standardize',true); fullPMdl = fitcecoc(fullX,Y,'CVPartition',Partition,'Learners',t,... 'ClassNames',classOrder); partPMdl = fitcecoc(partX,Y,'CVPartition',Partition,'Learners',t,... 'ClassNames',classOrder); fullMdl = fullPMdl.Trained{1}; partMdl = partPMdl.Trained{1};
fullPMdl и partPMdl являются ClassificationPartitionedECOC модели. Каждая модель имеет свойство Trainedмассив ячеек 1 на 1, содержащий CompactClassificationECOC моделирует, что программное обеспечение обучалось с использованием соответствующего набора обучающих данных.
Вычислите поля тестовой выборки для каждого классификатора. Для каждой модели отобразите распределение полей с помощью boxplot.
fullMargins = margin(fullMdl,XTest,YTest); partMargins = margin(partMdl,XTest(:,1:2),YTest); boxplot([fullMargins partMargins],'Labels',{'All Predictors','Two Predictors'}) title('Boxplots of Test-Sample Margins')
Маржинальное распределение fullMdl расположен выше и имеет меньшую изменчивость, чем маржинальное распределение partMdl.
Чтобы сравнить поля или ребра нескольких классификаторов ECOC, используйте объекты шаблона, чтобы задать общую функцию преобразования счета среди классификаторов во время обучения.
[1] Allwein, E., R. Schapire, and Y. Singer. «Сокращение многоклассового числа до двоичного: Унифицирующий подход к маржинальным classifiers». Журнал исследований машинного обучения. Том 1, 2000, стр. 113-141.
[2] Эскалера, С., О. Пужоль, и П. Радева. «О процессе декодирования в троичных выходных кодах с исправлением ошибок». Транзакции IEEE по шаблонному анализу и машинному анализу. Том 32, Выпуск 7, 2010, стр. 120-134.
[3] Эскалера, С., О. Пужоль, и П. Радева. «Разделяемость троичных кодов для разреженных проектов выходных кодов с исправлением ошибок». Pattern Recogn (Повторный вызов шаблона). Том 30, Выпуск 3, 2009, стр. 285-297.
ClassificationECOC | CompactClassificationECOC | edge | fitcecoc | loss | predict | resubMargin
