Вычислите поля классификации реституции для модели ECOC с двоичными учениками SVM.

Загрузите набор данных радужки Фишера. Задайте данные предиктора X и данные отклика Y.

load fisheriris
X = meas;
Y = species;

Обучите модель ECOC с помощью двоичных классификаторов SVM. Стандартизируйте предикторы с помощью шаблона SVM и задайте порядок классов.

t = templateSVM('Standardize',true);
classOrder = unique(Y)

classOrder = 3x1 cell
    {'setosa'    }
    {'versicolor'}
    {'virginica' }

Mdl = fitcecoc(X,Y,'Learners',t,'ClassNames',classOrder);

t является объектом шаблона SVM. Во время обучения программное обеспечение использует значения по умолчанию для пустых свойств в t. Mdl является ClassificationECOC модель.

Вычислите классификационные поля для наблюдений, используемых для обучения Mdl. Отображение распределения полей с помощью прямоугольного графика.

m = resubMargin(Mdl);

boxplot(m)
title('In-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 для обучающей выборки из нескольких моделей. Основываясь исключительно на этом сравнении, модель с наибольшими запасами является лучшей моделью.

Загрузите набор данных радужки Фишера. Задайте два набора данных:

load fisheriris
X = meas;
fullX = X;
partX = X(:,1:2);
Y = species;

Обучите модель ECOC, используя двоичных учащихся SVM для каждого набора предикторов. Стандартизируйте предикторы с помощью шаблона SVM, задайте порядок классов и вычислите апостериорные вероятности.

t = templateSVM('Standardize',true);
classOrder = unique(Y)

classOrder = 3x1 cell
    {'setosa'    }
    {'versicolor'}
    {'virginica' }

FullMdl = fitcecoc(fullX,Y,'Learners',t,'ClassNames',classOrder,...
    'FitPosterior',true);
PartMdl = fitcecoc(partX,Y,'Learners',t,'ClassNames',classOrder,...
    'FitPosterior',true);

Вычислите маржи реституции для каждого классификатора. Для каждой модели отобразите распределение полей с помощью boxplot.

fullMargins = resubMargin(FullMdl);
partMargins = resubMargin(PartMdl);

boxplot([fullMargins partMargins],'Labels',{'All Predictors','Two Predictors'})
title('Training-Sample Margins')

Маржинальное распределение FullMdl расположен выше и имеет меньшую изменчивость, чем маржинальное распределение PartMdl. Этот результат предполагает, что модель, обученная со всеми предикторами, лучше подходит для обучающих данных.