predict

Спрогнозируйте метки, используя k-ближайшую соседнюю классификационную модель

Синтаксис

label = predict(mdl,X)

[label,score,cost]
= predict(mdl,X)

Описание

label = predict(mdl,X) возвращает вектор предсказанных меток классов для данных предиктора в таблице или матрице X, на основе обученной k - ближайшей соседней классификационной модели mdl. См. Предсказанная метка класса.

пример

[label,score,cost] = predict(mdl,X) также возвращает:

Матрица классификационных оценок (score), указывающий вероятность того, что метка происходит от определенного класса. Для k-ближайшего соседа счетов являются апостериорными вероятностями. См. Апостериорная вероятность.
Матрица ожидаемых классификационных затрат (cost). Для каждого наблюдения в X, предсказанная метка класса соответствует минимальным ожидаемым классификационным затратам среди всех классов. См. «Ожидаемые затраты».

Примеры

свернуть все

K-ближайших соседей классификации Предсказаний

Открыть Live Script

Создайте k-ближайших соседей классификатор для данных радужной оболочки глаза Фишера, где k = 5. Оцените некоторые предсказания модели на новых данных.

Загрузите набор данных радужной оболочки глаза Фишера.

load fisheriris
X = meas;
Y = species;

Создайте классификатор для пяти ближайших соседей. Стандартизируйте некатегориальные данные предиктора.

mdl = fitcknn(X,Y,'NumNeighbors',5,'Standardize',1);

Спрогнозируйте классификации для цветов с минимальными, средними и максимальными характеристиками.

Xnew = [min(X);mean(X);max(X)];
[label,score,cost] = predict(mdl,Xnew)

label = 3x1 cell
    {'versicolor'}
    {'versicolor'}
    {'virginica' }

score = 3×3

    0.4000    0.6000         0
         0    1.0000         0
         0         0    1.0000

cost = 3×3

    0.6000    0.4000    1.0000
    1.0000         0    1.0000
    1.0000    1.0000         0

Вторая и третья строки матриц счета и затрат имеют двоичные значения, что означает, что все пять ближайших соседей среднего и максимального измерений цветов имеют одинаковые классификации.

Входные параметры

свернуть все

`mdl` - k - модель классификатора по ближайшему соседу
`ClassificationKNN` объект

k-ближайших соседей классификатор модели, заданный как ClassificationKNN объект.

`X` - Данные предиктора, которые будут классифицированы
числовая матрица | таблица

Данные предиктора, которые будут классифицированы, заданные как числовая матрица или таблица.

Каждая строка X соответствует одному наблюдению, и каждый столбец соответствует одной переменной.

Для числовой матрицы:
- Переменные, составляющие столбцы X должен иметь такой же порядок, как и переменные предиктора, используемые для обучения mdl.
- Если вы обучаете mdl использование таблицы (для примера, Tbl), затем X может быть числовой матрицей, если Tbl содержит все числовые переменные предиктора. k-ближайшая классификация соседей требует однородных предикторов. Поэтому обработать все числовые предикторы в Tbl как категориально во время обучения, установите 'CategoricalPredictors','all' когда вы обучаете, используя fitcknn. Если Tbl содержит неоднородные предикторы (для примера, числовых и категориальных типов данных) и X является числовой матрицей, тогда predict выдает ошибку.
Для таблицы:
- predict не поддерживает многополюсные переменные и массивы ячеек, кроме массивов ячеек векторов символов.
- Если вы обучаете mdl использование таблицы (для примера, Tbl), затем все переменные предиктора в X должны иметь те же имена переменных и типы данных, что и те, которые используются для обучения mdl (хранится в mdl.PredictorNames). Однако порядок столбцов X не должен соответствовать порядку столбцов Tbl. Оба Tbl и X может содержать дополнительные переменные (переменные отклика, веса наблюдений и так далее), но predict игнорирует их.
- Если вы обучаете mdl используя числовую матрицу, затем имена предикторов в mdl.PredictorNames и соответствующие имена переменных предиктора в X должно быть то же самое. Чтобы задать имена предикторов во время обучения, смотрите PredictorNames Аргумент пары "имя-значение" из fitcknn. Все переменные предиктора в X должны быть числовыми векторами. X может содержать дополнительные переменные (переменные отклика, веса наблюдений и так далее), но predict игнорирует их.

Если вы задаете 'Standardize',true в fitcknn для обучения mdl, затем программное обеспечение стандартизирует столбцы X использование соответствующих средств в mdl.Mu и стандартные отклонения в mdl.Sigma.

Типы данных: double | single | table

Выходные аргументы

свернуть все

`label` - Предсказанные метки классов
категориальный массив | символьный массив | логический вектор | вектор числовых значений | массив ячеек из векторов символов

Предсказанные метки классов для наблюдений (строки) в X, возвращенный как категориальный массив, символьный массив, логический вектор, вектор числовых значений или массив ячеек векторов символов. label имеет длину, равную количеству строк в X. Метка является классом с минимальной ожидаемой стоимостью. См. Предсказанная метка класса.

`score` - Предсказанные счета классов или апостериорные вероятности
числовая матрица

Предсказанные счета классов или апостериорные вероятности, возвращенные как числовая матрица размера n -by- K. n - количество наблюдений (строк) в X, и K количество классов (в mdl.ClassNames). score(i,j) - апостериорная вероятность того, что наблюдение i в X является классом j в mdl.ClassNames. См. Апостериорная вероятность.

Типы данных: single | double

`cost` - Ожидаемые классификационные затраты
числовая матрица

Ожидаемые классификационные затраты, возвращенные как числовая матрица размера n -by- K. n - количество наблюдений (строк) в X, и K количество классов (в mdl.ClassNames). cost(i,j) - стоимость классификации строки i от X как класс j в mdl.ClassNames. См. «Ожидаемые затраты».

Типы данных: single | double

Алгоритмы

свернуть все

Предсказанная метка класса

predict классифицирует путем минимизации ожидаемых затрат на неправильную классификацию:

$\hat{y} = \underset{y = 1, ..., K}{\arg \min} \sum_{j = 1}^{K} \hat{P} (j | x) C (y | j),$

где:

$\hat{y}$ - предсказанная классификация.
K - количество классов.
$\hat{P} (j | x)$ - апостериорная вероятность j классов для x наблюдений.
$C (y | j)$ - стоимость классификации наблюдения как y, когда его истинный класс j.

Апостериорная вероятность

Рассмотрим вектор (одну точку запроса) xnew и модель mdl.

k - количество ближайших соседей, используемых в предсказании, mdl.NumNeighbors.
nbd(mdl,xnew) задает k ближайших соседей к xnew в mdl.X.
Y(nbd) задает классификации точек в nbd(mdl,xnew)а именно mdl.Y(nbd).
W(nbd) задает веса точек в nbd(mdl,xnew).
prior задает априорные значения классов в mdl.Y.

Если модель содержит вектор априорных вероятностей, то веса наблюдений W нормированы по классам, чтобы суммировать априорные значения. Этот процесс может включать вычисление точки xnew, потому что веса могут зависеть от расстояния от xnew к точкам в mdl.X.

Апостериорная p вероятностей (j | xnewявляется

$p (j | x new) = \frac{\sum_{i \in nbd} W (i) 1_{Y (X (i)) = j}}{\sum_{i \in nbd} W (i)} .$

Вот, $1_{Y (X (i)) = j}$ является 1 когда mdl.Y(i) = j, и 0 в противном случае.

Истинные затраты на неправильную классификацию

Можно задать истинные затраты на неправильную классификацию по классам с помощью 'Cost' аргумент пары "имя-значение" при запуске fitcknn. Значение Cost(i,j) - стоимость классификации наблюдений в классы j если его класс true i. По умолчанию Cost(i,j) = 1 если i ~= j, и Cost(i,j) = 0 если i = j. Другими словами, стоимость 0 для правильной классификации и 1 для неправильной классификации.

Ожидаемая стоимость

Две стоимости связаны с классификацией KNN: истинная стоимость неправильной классификации для каждого класса и ожидаемая стоимость неправильной классификации для каждого наблюдения. Третий выход predict - ожидаемая стоимость неправильной классификации за наблюдение.

Предположим, у вас есть Nobs наблюдения, которые необходимо классифицировать с помощью обученного классификатора mdl, и у вас есть K классы. Наблюдения помещаются в матрицу Xnew с одним наблюдением за строкой. Команда

[label,score,cost] = predict(mdl,Xnew)

возвращает матрицу cost размера Nobs-by- K, среди других выходов. Каждая строка cost матрица содержит ожидаемые (средние) затраты на классификацию наблюдений в каждый из K классы. cost(n,j) является

$\sum_{i = 1}^{K} \hat{P} (i | X n e w (n)) C (j | i),$

где

K - количество классов.
$\hat{P} (i | X (n))$ - апостериорная вероятность i классов для Xnew наблюдений (n).
$C (j | i)$ - истинная стоимость неправильной классификации при классификации наблюдения как j, когда его истинный класс i.

Расширенные возможности

Длинные» массивы
Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Эта функция полностью поддерживает длинные массивы. Для получения дополнительной информации см. Раздел «Длинные массивы»

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

Указания и ограничения по применению:

Использовать saveLearnerForCoder, loadLearnerForCoder, и codegen (MATLAB Coder), чтобы сгенерировать код для predict функция. Сохраните обученную модель при помощи saveLearnerForCoder. Задайте функцию точки входа, которая загружает сохраненную модель при помощи loadLearnerForCoder и вызывает predict функция. Затем используйте codegen чтобы сгенерировать код для функции точки входа.
Чтобы сгенерировать одноточный код C/C + + для предсказания, задайте аргумент имя-значение 'DataType','single' когда вы вызываете loadLearnerForCoder функция.

Эта таблица содержит примечания к аргументам predict. Аргументы, не включенные в эту таблицу, полностью поддерживаются.

Аргумент Примечания и ограничения

Аргумент	Примечания и ограничения
`mdl`	A `ClassificationKNN` Объект модели является полным объектом, который не имеет соответствующего компактного объекта. Для этой модели, `saveLearnerForCoder` сохраняет компактную версию, которая не включает свойства оптимизации гипероптимизации параметров управления. Если `mdl` является моделью, обученной с помощью алгоритма поиска kd-tree, и типом сборки генерации кода является MEX-функция, затем `codegen` (MATLAB Coder) генерирует MEX-функцию с помощью Intel^® Многопоточные базовые блоки (TBB) для параллельных расчетов. В противном случае, `codegen` генерирует код используя `parfor` (MATLAB Coder). MEX-функция для алгоритма поиска kd-дерева - `codegen` генерирует оптимизированную MEX-функцию, используя Intel TBB для параллельных расчетов на многоядерных платформах. Вы можете использовать MEX-функцию для ускорения MATLAB^® алгоритмы. Для получения дополнительной информации о Intel TBB смотрите https://software.intel.com/en-us/intel-tbb. Если вы генерируете MEX-функцию, чтобы протестировать сгенерированный код `parfor` версию можно отключить при использовании Intel TBB. Установите `ExtrinsicCalls` свойство объекта строения MEX, чтобы `false`. Для получения дополнительной информации смотрите `coder.MexCodeConfig` (MATLAB Coder). MEX-функция для алгоритма исчерпывающего поиска и автономный код C/C + + для обоих алгоритмов - Сгенерированный код `predict` использование `parfor` (MATLAB Coder), чтобы создать циклы, которые выполняются параллельно на поддерживаемых многоядерных платформах общей памяти в сгенерированном коде. Если ваш компилятор не поддерживает интерфейс приложения Open Multiprocessing (OpenMP) или вы отключаете библиотеку OpenMP, MATLAB Coder™ обрабатывает `parfor`-циклы как `for`-циклы. Поиск поддерживаемых компиляторов см. в разделе Поддерживаемые компиляторы. Чтобы отключить библиотеку OpenMP, установите `EnableOpenMP` свойство объекта строения, чтобы `false`. Для получения дополнительной информации смотрите `coder.CodeConfig` (MATLAB Coder). Для указаний по применению и ограничений объекта модели, смотрите Генерацию кода ClassificationKNN объект.
`X`	`X` должна быть матрицей одинарной точности или двойной точности или таблицей, содержащей числовые переменные, категориальные переменные или обе. Количество строк или наблюдений в `X` может быть размером переменной, но количеством столбцов в `X` должен быть фиксирован. Если вы хотите задать `X` в качестве таблицы, тогда ваша модель должна быть обучена с помощью таблицы, а ваша функция точки входа для предсказания должна: Примите данные как массивы. Составьте таблицу из входных параметров данных и задайте имена переменных в таблице. Передайте таблицу в `predict`. Пример этого рабочего процесса таблицы см. в разделе Генерация кода для классификации данных в таблице. Для получения дополнительной информации об использовании таблиц в генерации кода смотрите Генерация кода для таблиц (MATLAB Coder) и Ограничения таблицы для генерации кода (MATLAB Coder).

mdl

A ClassificationKNN Объект модели является полным объектом, который не имеет соответствующего компактного объекта. Для этой модели, saveLearnerForCoder сохраняет компактную версию, которая не включает свойства оптимизации гипероптимизации параметров управления.
Если mdl является моделью, обученной с помощью алгоритма поиска kd-tree, и типом сборки генерации кода является MEX-функция, затем codegen (MATLAB Coder) генерирует MEX-функцию с помощью Intel^® Многопоточные базовые блоки (TBB) для параллельных расчетов. В противном случае, codegen генерирует код используя parfor (MATLAB Coder).
- MEX-функция для алгоритма поиска kd-дерева - codegen генерирует оптимизированную MEX-функцию, используя Intel TBB для параллельных расчетов на многоядерных платформах. Вы можете использовать MEX-функцию для ускорения MATLAB^® алгоритмы. Для получения дополнительной информации о Intel TBB смотрите https://software.intel.com/en-us/intel-tbb.
  Если вы генерируете MEX-функцию, чтобы протестировать сгенерированный код parfor версию можно отключить при использовании Intel TBB. Установите ExtrinsicCalls свойство объекта строения MEX, чтобы false. Для получения дополнительной информации смотрите coder.MexCodeConfig (MATLAB Coder).
- MEX-функция для алгоритма исчерпывающего поиска и автономный код C/C + + для обоих алгоритмов - Сгенерированный код predict использование parfor (MATLAB Coder), чтобы создать циклы, которые выполняются параллельно на поддерживаемых многоядерных платформах общей памяти в сгенерированном коде. Если ваш компилятор не поддерживает интерфейс приложения Open Multiprocessing (OpenMP) или вы отключаете библиотеку OpenMP, MATLAB Coder™ обрабатывает parfor-циклы как for-циклы. Поиск поддерживаемых компиляторов см. в разделе Поддерживаемые компиляторы. Чтобы отключить библиотеку OpenMP, установите EnableOpenMP свойство объекта строения, чтобы false. Для получения дополнительной информации смотрите coder.CodeConfig (MATLAB Coder).
Для указаний по применению и ограничений объекта модели, смотрите Генерацию кода ClassificationKNN объект.

X

X должна быть матрицей одинарной точности или двойной точности или таблицей, содержащей числовые переменные, категориальные переменные или обе.
Количество строк или наблюдений в X может быть размером переменной, но количеством столбцов в X должен быть фиксирован.
Если вы хотите задать X в качестве таблицы, тогда ваша модель должна быть обучена с помощью таблицы, а ваша функция точки входа для предсказания должна:
- Примите данные как массивы.
- Составьте таблицу из входных параметров данных и задайте имена переменных в таблице.
- Передайте таблицу в predict.
Пример этого рабочего процесса таблицы см. в разделе Генерация кода для классификации данных в таблице. Для получения дополнительной информации об использовании таблиц в генерации кода смотрите Генерация кода для таблиц (MATLAB Coder) и Ограничения таблицы для генерации кода (MATLAB Coder).

Для получения дополнительной информации смотрите Введение в генерацию кода.

Массивы графических процессоров
Ускорите код, запустив на графическом процессорном модуле (GPU) с помощью Parallel Computing Toolbox™.

Эта функция полностью поддерживает массивы GPU. Для получения дополнительной информации смотрите Запуск функций MATLAB на графическом процессоре (Parallel Computing Toolbox).
Эта функция поддерживает объекты модели, оснащенные входными параметрами массива GPU.

См. также

ClassificationKNN | fitcknn

Темы

Введенный в R2012a

Документация

predict

Синтаксис

Описание

Примеры

K-ближайших соседей классификации Предсказаний

Входные параметры

`mdl` - k - модель классификатора по ближайшему соседу
`ClassificationKNN` объект

`X` - Данные предиктора, которые будут классифицированы
числовая матрица | таблица

Выходные аргументы

`label` - Предсказанные метки классов
категориальный массив | символьный массив | логический вектор | вектор числовых значений | массив ячеек из векторов символов

`score` - Предсказанные счета классов или апостериорные вероятности
числовая матрица

`cost` - Ожидаемые классификационные затраты
числовая матрица

Алгоритмы

Предсказанная метка класса

Апостериорная вероятность

Истинные затраты на неправильную классификацию

Ожидаемая стоимость

Расширенные возможности

Длинные» массивы
Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

Массивы графических процессоров
Ускорите код, запустив на графическом процессорном модуле (GPU) с помощью Parallel Computing Toolbox™.

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка

Документация

predict

Синтаксис

Описание

Примеры

K-ближайших соседей классификации Предсказаний

Входные параметры

mdl - k - модель классификатора по ближайшему соседу ClassificationKNN объект

X - Данные предиктора, которые будут классифицированы числовая матрица | таблица

Выходные аргументы

label - Предсказанные метки классов категориальный массив | символьный массив | логический вектор | вектор числовых значений | массив ячеек из векторов символов

score - Предсказанные счета классов или апостериорные вероятности числовая матрица

cost - Ожидаемые классификационные затраты числовая матрица

Алгоритмы

Предсказанная метка класса

Апостериорная вероятность

Истинные затраты на неправильную классификацию

Ожидаемая стоимость

Расширенные возможности

Длинные» массивы Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Генерация кода C/C + + Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

Массивы графических процессоров Ускорите код, запустив на графическом процессорном модуле (GPU) с помощью Parallel Computing Toolbox™.

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка

`mdl` - k - модель классификатора по ближайшему соседу
`ClassificationKNN` объект

`X` - Данные предиктора, которые будут классифицированы
числовая матрица | таблица

`label` - Предсказанные метки классов
категориальный массив | символьный массив | логический вектор | вектор числовых значений | массив ячеек из векторов символов

`score` - Предсказанные счета классов или апостериорные вероятности
числовая матрица

`cost` - Ожидаемые классификационные затраты
числовая матрица

Длинные» массивы
Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

Массивы графических процессоров
Ускорите код, запустив на графическом процессорном модуле (GPU) с помощью Parallel Computing Toolbox™.