Спрогнозируйте метки набора обучающих данных с помощью двоичной модели классификации ядра и отобразите матрицу неточностей для полученной классификации.

Загрузите ionosphere набор данных. Этот набор данных имеет 34 предиктора и 351 двоичный ответ для радиолокационных возвратов, либо плохо ('b') или хорошо ('g').

load ionosphere

Обучите двоичную модель классификации ядра, которая определяет, является ли радарный возврат плохим ('b') или хорошо ('g').

rng('default') % For reproducibility
Mdl = fitckernel(X,Y);

Mdl является ClassificationKernel модель.

Спрогнозируйте набор обучающих данных, или реподституцию, этикеток.

label = predict(Mdl,X); 

Создайте матрицу неточностей.

ConfusionTrain = confusionchart(Y,label);

Модель неправильно классифицирует по одному радиолокационному возврату для каждого класса.

Спрогнозируйте метки тестового набора с помощью двухкомпонентной модели классификации ядра и отобразите матрицу неточностей для полученной классификации.

Загрузите ionosphere набор данных. Этот набор данных имеет 34 предиктора и 351 двоичный ответ для радиолокационных возвратов, либо плохо ('b') или хорошо ('g').

load ionosphere

Разделите набор данных на наборы для обучения и тестирования. Задайте 15% -ную выборку удержания для тестового набора.

rng('default') % For reproducibility
Partition = cvpartition(Y,'Holdout',0.15);
trainingInds = training(Partition); % Indices for the training set
testInds = test(Partition); % Indices for the test set

Обучите модель классификации двоичных ядер с помощью набора обучающих данных. Хорошей практикой является определение порядка классов.

Mdl = fitckernel(X(trainingInds,:),Y(trainingInds),'ClassNames',{'b','g'}); 

Спрогнозируйте метки набора обучающих данных и метки тестового набора.

labelTrain = predict(Mdl,X(trainingInds,:));
labelTest = predict(Mdl,X(testInds,:));

Создайте матрицу неточностей для набора обучающих данных.

ConfusionTrain = confusionchart(Y(trainingInds),labelTrain);

Модель неправильно классифицирует только один возврат радара для каждого класса.

Создайте матрицу неточностей для тестового набора.

ConfusionTest = confusionchart(Y(testInds),labelTest);

Модель неправильно классифицирует один плохой возврат радара как хороший возврат, и пять хороших радаров возвращают как плохие возвраты.

Оцените апостериорные вероятности классов для тестового набора и определите качество модели путем построения графика приемника кривой рабочей характеристики (ROC). Модели классификации ядра возвращают апостериорные вероятности только для учащихся логистической регрессии.

Загрузите ionosphere набор данных. Этот набор данных имеет 34 предиктора и 351 двоичный ответ для радиолокационных возвратов, либо плохо ('b') или хорошо ('g').

load ionosphere

Разделите набор данных на наборы для обучения и тестирования. Укажите 30% -ная выборка удержания для тестового набора.

rng('default') % For reproducibility
Partition = cvpartition(Y,'Holdout',0.30);
trainingInds = training(Partition); % Indices for the training set
testInds = test(Partition); % Indices for the test set

Обучите модель классификации двоичных ядер. Подгонка учителей логистической регрессии.

Mdl = fitckernel(X(trainingInds,:),Y(trainingInds), ...
    'ClassNames',{'b','g'},'Learner','logistic');

Спрогнозируйте апостериорные вероятности классов для тестового набора.

[~,posterior] = predict(Mdl,X(testInds,:));

Потому что Mdl имеет одну силу регуляризации, выхода posterior является матрицей с двумя столбцами и строками, равными количеству наблюдений за тестовым набором. Столбец i содержит апостериорные вероятности Mdl.ClassNames(i) учитывая конкретное наблюдение.

Получите ложные и истинные положительные скорости и оцените площадь под кривой (AUC). Укажите, что второй класс является положительным классом.

[fpr,tpr,~,auc] = perfcurve(Y(testInds),posterior(:,2),Mdl.ClassNames(2));
auc

auc = 0.9042

AUC близок к 1, что указывает на то, что модель хорошо предсказывает метки.

Постройте график кривой ROC.

figure;
plot(fpr,tpr)
h = gca;
h.XLim(1) = -0.1;
h.YLim(2) = 1.1;
xlabel('False positive rate')
ylabel('True positive rate')
title('ROC Curve')