Классификационные поля для многоклассовой модели выходных кодов с коррекцией ошибок (ECOC)
возвращает классификационные поля (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
.
задает опции, использующие один или несколько аргументы пары "имя-значение" в дополнение к любой комбинации входных аргументов в предыдущих синтаксисах. Для примера можно задать схему декодирования, двоичную функцию потерь учащегося и уровень подробностей.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 Trained
массив 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 Trained
массив 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
.
Mdl
- Полная или компактная многоклассовая модель ECOCClassificationECOC
объект модели | CompactClassificationECOC
объект моделиПолная или компактная многоклассовая модель ECOC, заданная как ClassificationECOC
или CompactClassificationECOC
объект модели.
Чтобы создать полную или компактную модель ECOC, смотрите ClassificationECOC
или CompactClassificationECOC
.
tbl
- Выборочные данныеВыборочные данные, заданный как таблица. Каждая строка tbl
соответствует одному наблюдению, и каждый столбец соответствует одной переменной предиктора. Опционально tbl
может содержать дополнительные столбцы для переменной отклика и весов наблюдений. tbl
должны содержать все предикторы, используемые для обучения Mdl
. Многополюсные переменные и массивы ячеек, отличные от массивов ячеек векторов символов, не разрешены.
Если вы обучаете Mdl
использование выборочных данных, содержащихся в table
, затем входные данные для margin
также должно быть в таблице.
При обучении Mdl
, предположим, что вы 'Standardize',true
для объекта шаблона, заданного в 'Learners'
Аргумент пары "имя-значение" из fitcecoc
. В этом случае для соответствующего двоичного обучающегося j
программное обеспечение стандартизирует столбцы новых данных предиктора с помощью соответствующих средств в Mdl.BinaryLearner{j}.Mu
и стандартные отклонения в Mdl.BinaryLearner{j}.Sigma
.
Типы данных: table
ResponseVarName
- Имя переменной откликаtbl
Имя переменной отклика, заданное как имя переменной в tbl
. Если tbl
содержит переменную отклика, используемую для обучения Mdl
, тогда вам не нужно указывать ResponseVarName
.
Если вы задаете ResponseVarName
, тогда вы должны сделать это как вектор символов или строковый скаляр. Для примера, если переменная отклика сохранена как tbl.y
, затем задайте ResponseVarName
как 'y'
. В противном случае программное обеспечение обрабатывает все столбцы tbl
, включая tbl.y
, как предикторы.
Переменная отклика должна быть категориальными символьными или строковыми массивами, логическим или числовым вектором или массивом ячеек из векторов символов. Если переменная отклика является символьным массивом, то каждый элемент должен соответствовать одной строке массива.
Типы данных: char
| string
X
- Данные предиктораДанные предиктора, заданные как числовая матрица.
Каждая строка X
соответствует одному наблюдению, и каждый столбец соответствует одной переменной. Переменные в столбцах X
должны совпадать с переменными, которые обучили классификатор Mdl
.
Количество строк в X
должно равняться количеству строк в Y
.
При обучении Mdl
, предположим, что вы 'Standardize',true
для объекта шаблона, заданного в 'Learners'
Аргумент пары "имя-значение" из fitcecoc
. В этом случае для соответствующего двоичного обучающегося j
программное обеспечение стандартизирует столбцы новых данных предиктора с помощью соответствующих средств в Mdl.BinaryLearner{j}.Mu
и стандартные отклонения в Mdl.BinaryLearner{j}.Sigma
.
Типы данных: double
| single
Y
- Метки классовМетки класса, заданные как категориальные символьные или строковые массивы, логический или числовой вектор или массив ячеек из векторов символов. Y
должны иметь тот совпадающий тип данных, что и Mdl.ClassNames
. (Программа обрабатывает массивы строк как массивы ячеек векторов символов.)
Количество строк в Y
должно равняться количеству строк в tbl
или X
.
Типы данных: categorical
| char
| string
| logical
| single
| double
| cell
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
.
margin(Mdl,tbl,'y','BinaryLoss','exponential')
задает экспоненциал двоичную функцию потерь учащихся.'BinaryLoss'
- Бинарная функция потерь для учащихся'hamming'
| 'linear'
| 'logit'
| 'exponential'
| 'binodeviance'
| 'hinge'
| 'quadratic'
| указатель на функциюДвоичная функция потерь учащегося, заданная как разделенная разделенными запятой парами, состоящая из 'BinaryLoss'
и встроенное имя функции потери или указатель на функцию.
Эта таблица описывает встроенные функции, где yj является меткой класса для конкретного двоичного ученика (в наборе {-1,1,0}), sj является счетом для j наблюдений, а g (yj, sj) является формулой двоичных потерь.
Значение | Описание | Счет | g (yj, sj) |
---|---|---|---|
'binodeviance' | Биномиальное отклонение | (–∞,∞) | log [1 + exp (-2 yjsj) ]/[ 2log (2)] |
'exponential' | Экспоненциал | (–∞,∞) | exp (- yjsj )/2 |
'hamming' | Хэмминг | [0,1] или (- ∞, ∞) | [1 - знак (yjsj) ]/2 |
'hinge' | Стержень | (–∞,∞) | макс (0,1 - yjsj )/2 |
'linear' | Линейный | (–∞,∞) | (1 – yjsj)/2 |
'logit' | Логистический | (–∞,∞) | журнал [1 + exp (- yjsj) ]/[ 2log (2)] |
'quadratic' | Квадратный | [0,1] | [1 – yj (2 sj – 1)]2/2 |
Программа нормализует двоичные потери так, чтобы потеря была 0,5 при yj = 0. Кроме того, программное обеспечение вычисляет средние двоичные потери для каждого класса.
Для пользовательской функции двоичных потерь, например customFunction
, задайте его указатель на функцию 'BinaryLoss',@customFunction
.
customFunction
имеет следующую форму:
bLoss = customFunction(M,s)
M
- K матрица кодирования L, сохраненная в Mdl.CodingMatrix
.
s
- вектор-строка L 1 байта классификационных баллов.
bLoss
- классификационные потери. Этот скаляр агрегирует двоичные потери для каждого учащегося в конкретном классе. Для примера можно использовать среднее значение двоичных потерь для агрегирования потерь по учащимся для каждого класса.
K - количество классов.
L - это количество двоичных учащихся.
Для примера передачи пользовательской функции двоичных потерь смотрите Предсказание меток теста-образца модели ECOC с помощью Пользовательской функции двоичных потерь.
Значение по умолчанию BinaryLoss
значение зависит от областей значений счетов, возвращаемых двоичными учениками. Эта таблица описывает некоторые BinaryLoss
по умолчанию значения, основанные на данных допущениях.
Предположение | Значение по умолчанию |
---|---|
Все двоичные ученики являются SVM или линейными или ядерными классификационными моделями учащихся SVM. | 'hinge' |
Все двоичные ученики - это ансамбли, обученные AdaboostM1 или GentleBoost . | 'exponential' |
Все двоичные ученики - это ансамбли, обученные LogitBoost . | 'binodeviance' |
Все двоичные ученики являются линейными или ядерными классификационными моделями обучающихся логистической регрессии. Или вы задаете, чтобы предсказать апостериорные вероятности класса путем установки 'FitPosterior',true в fitcecoc . | 'quadratic' |
Чтобы проверить значение по умолчанию, используйте запись через точку для отображения BinaryLoss
свойство обученной модели в командной строке.
Пример: 'BinaryLoss','binodeviance'
Типы данных: char
| string
| function_handle
'Decoding'
- Схема декодирования'lossweighted'
(по умолчанию) | 'lossbased'
Схема декодирования, которая агрегирует двоичные потери, заданные как разделенная разделенными запятой парами, состоящая из 'Decoding'
и 'lossweighted'
или 'lossbased'
. Для получения дополнительной информации смотрите Двоичные потери.
Пример: 'Decoding','lossbased'
'ObservationsIn'
- размерность наблюдения данных предиктора'rows'
(по умолчанию) | 'columns'
Размерность наблюдения данных предиктора, заданная как разделенная разделенными запятой парами, состоящая из 'ObservationsIn'
и 'columns'
или 'rows'
. Mdl.BinaryLearners
должен содержать ClassificationLinear
модели.
Примечание
Если вы ориентируете матрицу предиктора так, чтобы наблюдения соответствовали столбцам и задавали 'ObservationsIn','columns'
, вы можете испытать значительное сокращение времени выполнения. Вы не можете задать 'ObservationsIn','columns'
для данных предиктора в таблице.
'Options'
- опции оценки[]
(по умолчанию) | массив структур, возвращенный statset
Опции оценки, заданные как разделенная разделенными запятой парами, состоящая из 'Options'
и массив структур, возвращенный statset
.
Чтобы вызвать параллельные вычисления:
Вам нужна лицензия Parallel Computing Toolbox™.
Задайте 'Options',statset('UseParallel',true)
.
'Verbose'
- Уровень подробностей0
(по умолчанию) | 1
Уровень подробностей, заданный как разделенная разделенными запятой парами, состоящая из 'Verbose'
и 0
или 1
. Verbose
управляет количеством диагностических сообщений, которые программное обеспечение отображений в Командном окне.
Если Verbose
является 0
тогда программа не отображает диагностические сообщения. В противном случае программа отображает диагностические сообщения.
Пример: 'Verbose',1
Типы данных: single
| double
m
- Классификационные поляКлассификационные поля, возвращенные как числовой вектор-столбец или числовая матрица.
Если Mdl.BinaryLearners
содержит ClassificationLinear
модели, затем m
- вектор n -by L, где n - количество наблюдений в X
и L количество степеней регуляризации в линейных классификационных моделях (numel(Mdl.BinaryLearners{1}.Lambda)
). Значение m(i,j)
- граница наблюдения i
для модели, обученной с использованием силы регуляризации Mdl.BinaryLearners{1}.Lambda(j)
.
В противном случае m
является вектор-столбец длины n.
binary loss является функцией класса и классификационной оценки, которая определяет, насколько хорошо двоичный ученик классифицирует наблюдение в класс.
Предположим следующее:
mkj является элементом (k, j) матрицы разработки кодирования M (то есть кода, соответствующего k классов двоичных j обучающегося).
sj - этот счет двоичных j учащихся для наблюдения.
g является функцией двоичных потерь.
- предсказанный класс для наблюдения.
В loss-based decoding [Escalera et al.] класс, производящий минимальную сумму двоичных потерь по сравнению с двоичными учениками, определяет предсказанный класс наблюдения, то есть
В loss-weighted decoding [Escalera et al.] класс, производящий минимальное среднее значение двоичных потерь по сравнению с двоичными учениками, определяет предсказанный класс наблюдения, то есть
Allwein et al. предположим, что утраченное декодирование повышает точность классификации путем сохранения значений потерь для всех классов в одной динамической области значений.
В этой таблице приведены поддерживаемые функции потерь, где yj является меткой класса для конкретного двоичного обучающегося (в наборе {-1,1,0}), sj является счетом для j наблюдений и g (yj, sj).
Значение | Описание | Счет | g (yj, sj) |
---|---|---|---|
'binodeviance' | Биномиальное отклонение | (–∞,∞) | log [1 + exp (-2 yjsj) ]/[ 2log (2)] |
'exponential' | Экспоненциал | (–∞,∞) | exp (- yjsj )/2 |
'hamming' | Хэмминг | [0,1] или (- ∞, ∞) | [1 - знак (yjsj) ]/2 |
'hinge' | Стержень | (–∞,∞) | макс (0,1 - yjsj )/2 |
'linear' | Линейный | (–∞,∞) | (1 – yjsj)/2 |
'logit' | Логистический | (–∞,∞) | журнал [1 + exp (- yjsj) ]/[ 2log (2)] |
'quadratic' | Квадратный | [0,1] | [1 – yj (2 sj – 1)]2/2 |
Программа нормализует двоичные потери таким образом, что потеря составляет 0,5 при yj = 0, и агрегирует, используя среднее значение двоичных учащихся [Allwein et al.].
Не путайте двоичные потери с общими классификационными потерями (заданными 'LossFun'
Аргумент пары "имя-значение" из loss
и predict
функции объекта), который измеряет, насколько хорошо классификатор ECOC работает в целом.
Для каждого наблюдения classification margin является различием между отрицательной потерей для истинного класса и максимальной отрицательной потерей среди ложных классов. Если поля находятся в одной шкале, то они служат классификационной доверительной мерой. Среди нескольких классификаторов лучше те, которые дают большую маржу.
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.
Указания и ограничения по применению:
margin
не поддерживает высокие table
данные при Mdl
содержит ядерное или линейное двоичное обучение.
Для получения дополнительной информации см. Раздел «Длинные массивы»
Чтобы выполнять параллельно, задайте 'Options'
аргумент имя-значение в вызове этой функции и установите 'UseParallel'
поле структуры опций для true
использование statset
.
Для примера: 'Options',statset('UseParallel',true)
Для получения дополнительной информации о параллельных вычислениях смотрите Запуск функций MATLAB с автоматической поддержкой параллельных вычислений (Parallel Computing Toolbox).
ClassificationECOC
| CompactClassificationECOC
| edge
| fitcecoc
| loss
| predict
| resubMargin
У вас есть измененная версия этого примера. Вы хотите открыть этот пример с вашими правками?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.