Класс: ClassificationTree
Предсказание меток реституции классификационного дерева
label = resubPredict(tree)
[label,posterior]
= resubPredict(tree)
[label,posterior,node]
= resubPredict(tree)
[label,posterior,node,cnum]
= resubPredict(tree)
[label,...] = resubPredict(tree,Name,Value)
label = resubPredict(tree)tree предсказывает для tree.X данных. label является предсказаниями tree на данных, которые fitctree используется для создания tree.
[ возвращает апостериорные вероятности классов для предсказаний.label,posterior]
= resubPredict(tree)
[ возвращает номера узлов label,posterior,node]
= resubPredict(tree)tree для перезамещенных данных.
[ возвращает предсказанные числа классов для предсказаний.label,posterior,node,cnum]
= resubPredict(tree)
[label,...] = resubPredict( возвращает предсказания реституции с дополнительными опциями, заданными одним или несколькими tree,Name,Value)Name,Value аргументы в виде пар.
|
Ответ на Если на |
|
Матрица или массив апостериорных вероятностей для классов Если на Если |
|
Номера узлов Если на Если |
|
Номера классов, которые Если на Если |
Найдите общее количество неправильных классификаций данных ириса Фишера для классификационного дерева.
load fisheriris tree = fitctree(meas,species); Ypredict = resubPredict(tree); % The predictions Ysame = strcmp(Ypredict,species); % True when == sum(~Ysame) % How many are different?
ans = 3
Загрузите набор данных радужки Фишера. Разделите данные на обучающие (50%)
load fisheririsВырастите классификационное дерево с помощью всех измерений лепестка.
Mdl = fitctree(meas(:,3:4),species); n = size(meas,1); % Sample size K = numel(Mdl.ClassNames); % Number of classes
Просмотрите дерево классификации.
view(Mdl,'Mode','graph');
Классификационное дерево имеет четыре уровня обрезки. Уровень 0 является полным, несрезанным деревом (как показано). Уровень 4 является только корневым узлом (то есть без разделений).
Оцените апостериорные вероятности для каждого класса, используя поддеревья, обрезанные до уровней 1 и 3.
[~,Posterior] = resubPredict(Mdl,'SubTrees',[1 3]);Posterior является n-by- K-by - 2 массива апостериорных вероятностей. Строки Posterior соответствуют наблюдениям, столбцы соответствуют классам с порядком Mdl.ClassNames, и страницы соответствуют уровню обрезки.
Отобразите апостериорные вероятности класса для радужки 125 с помощью каждого поддерева.
Posterior(125,:,:)
ans =
ans(:,:,1) =
0 0.0217 0.9783
ans(:,:,2) =
0 0.5000 0.5000
Пень решения (стр. 2 Posterior) имеет проблемы с прогнозированием является ли радужная оболочка 125 версиколором или виргиникой.
Апостериорная вероятность классификации в узле - это количество обучающих последовательностей, которые ведут к этому узлу с этой классификацией, разделенное на количество обучающих последовательностей, которые ведут к этому узлу.
Например, рассмотрите классификацию предиктора X как true когда X<0.15 или X> 0.95, и X в противном случае ложь.
Сгенерируйте 100 случайных точек и классифицируйте их:
rng(0) % For reproducibility X = rand(100,1); Y = (abs(X - .55) > .4); tree = fitctree(X,Y); view(tree,'Mode','graph')
Обрезать дерево:
tree1 = prune(tree,'Level',1); view(tree1,'Mode','graph')
Обрезанное дерево правильно классифицирует наблюдения, которые меньше 0,15, как true. Он также правильно классифицирует наблюдения между 15 и 94 как false. Однако он неправильно классифицирует наблюдения, которые больше 94, как false. Поэтому счет для наблюдений, которые больше 15, должны быть около .05/.85 = .06 для trueи примерно .8/.85 = .94 для false.
Вычислите счета предсказания для первых 10 строк X:
[~,score] = predict(tree1,X(1:10)); [score X(1:10,:)]
ans = 10×3
0.9059 0.0941 0.8147
0.9059 0.0941 0.9058
0 1.0000 0.1270
0.9059 0.0941 0.9134
0.9059 0.0941 0.6324
0 1.0000 0.0975
0.9059 0.0941 0.2785
0.9059 0.0941 0.5469
0.9059 0.0941 0.9575
0.9059 0.0941 0.9649
Действительно, каждое значение X (самый правый столбец), который меньше 0,15, имеет сопоставленные счета (левый и центральный столбцы) 0 и 1, в то время как другие значения X имеют сопоставленные счета 0.94 и 0.06.
fitctree | predict | resubEdge | resubLoss | resubMargin