fitPosterior
Подбор апостериорных вероятностей для классификатора компактных машин опорных векторов (SVM)
Синтаксис
Описание
ScoreSVMModel = fitPosterior(SVMModel,TBL,Y)ScoreSVMModel содержащая оптимальную функцию счет-в-апостериорно-вероятностного преобразования для двухклассного обучения. Для получения дополнительной информации см. «Алгоритмы». Если вы обучаете SVMModel используя таблицу, тогда вы должны использовать таблицу как вход для fitPosterior.
ScoreSVMModel = fitPosterior(SVMModel,X,Y)ScoreSVMModel содержащая оптимальную функцию счет-в-апостериорно-вероятностного преобразования для двухклассного обучения. Если вы обучаете SVMModel используя матрицу, необходимо использовать матрицу как вход для fitPosterior.
[ дополнительно возвращает оптимальные параметры функции преобразования счет - апостериорная вероятность (ScoreSVMModel,ScoreTransform]
= fitPosterior(___)ScoreTransform) для любой комбинации входных аргументов в предыдущих синтаксисах.
Примеры
Оценка апостериорных вероятностей для данных с неотделимыми классами
Загрузите ionosphere набор данных. Резервируйте 20 случайных наблюдений данных и учитывайте эти новые данные.
load ionosphere n = size(X,1); rng(1); % For reproducibility indx = ~ismember([1:n],randsample(n,20)); % Indices for the training data
Классы этого набора данных неразрывны.
Обучите классификатор SVM с помощью обучающих данных. Стандартизируйте данные и задайте, что 'g' - положительный класс.
SVMModel = fitcsvm(X(indx,:),Y(indx),'ClassNames',{'b','g'},... 'Standardize',true);
SVMModel является ClassificationSVM классификатор.
Используйте новый набор данных для оценки оптимальной функции преобразования счет - апостериорная вероятность для отображения счетов к апостериорной вероятности того, что наблюдение классифицируется как g. Для эффективности сделайте компактную версию SVMModel, и передайте его и новые данные, чтобы fitPosterior.
CompactSVMModel = compact(SVMModel);
[ScoreCSVMModel,ScoreParameters] = fitPosterior(CompactSVMModel,...
X(~indx,:),Y(~indx));
ScoreTransform = ScoreCSVMModel.ScoreTransformScoreTransform = '@(S)sigmoid(S,-1.098977e+00,4.520421e-01)'
ScoreParameters
ScoreParameters = struct with fields:
Type: 'sigmoid'
Slope: -1.0990
Intercept: 0.4520
ScoreTransform является оптимальной функцией преобразования счета. ScoreParameters - массив структур с тремя полями: имя функции преобразования счетов (Type), сигмоидный уклон (Slope) и оценки точки пересечения (Intercept).
Также можно пройти SVMModel и новые данные для fitSVMPosteriorно этот процесс не так эффективен.
Оцените апостериорные вероятности того, что наблюдения в новых данных находятся в g классов.
[labels,postProbs] = predict(ScoreCSVMModel,X(~indx,:)); table(Y(~indx),labels,postProbs(:,2),... 'VariableNames',{'TrueLabel','PredictedLabel','PosteriorProbability'})
ans=20×3 table
TrueLabel PredictedLabel PosteriorProbability
_________ ______________ ____________________
{'g'} {'g'} 0.7844
{'b'} {'b'} 0.024584
{'g'} {'g'} 0.82403
{'b'} {'b'} 0.006164
{'b'} {'b'} 3.6084e-06
{'b'} {'b'} 0.15687
{'b'} {'g'} 0.96219
{'b'} {'b'} 6.1329e-09
{'b'} {'b'} 0.0019641
{'g'} {'g'} 0.7251
{'g'} {'g'} 0.70263
{'b'} {'b'} 0.075302
{'g'} {'g'} 0.90691
{'g'} {'g'} 0.82844
{'b'} {'b'} 0.051178
{'g'} {'g'} 0.95332
⋮
Оценка апостериорных вероятностей для данных с разделяемыми классами
Загрузите набор данных радужки Фишера. Используйте длины и ширины лепестков в качестве данных предиктора и удалите вид virginica из данных. Резервируйте 10 случайных наблюдений данных и учитывайте эти новые данные.
load fisheriris classKeep = ~strcmp(species,'virginica'); X = meas(classKeep,3:4); Y = species(classKeep); rng(1); % For reproducibility indx1 = 1:numel(species); indx2 = indx1(classKeep); indx = ~ismember(indx2,randsample(indx2,10)); % Indices for the training data gscatter(X(indx,1),X(indx,2),Y(indx)); title('Scatter Diagram of Iris Measurements') xlabel('Petal length') ylabel('Petal width') legend('Setosa','Versicolor')
Классы идеально разделимы. Поэтому функция счета-в-апостериорно-вероятностного преобразования является шаговой функцией.
Обучите классификатор SVM. Стандартизируйте данные и задайте, что versicolor - положительный класс.
SVMModel = fitcsvm(X(indx,:),Y(indx),... 'ClassNames',{'setosa','versicolor'},'Standardize',true);
SVMModel является ClassificationSVM классификатор.
Используйте новый набор данных для оценки оптимальной функции преобразования счет - апостериорная вероятность для отображения счетов к апостериорной вероятности того, что наблюдение классифицируется как versicolor. Для эффективности сделайте компактную версию SVMModel, и передайте его и новые данные, чтобы fitPosterior.
CompactSVMModel = compact(SVMModel);
[ScoreCSVMModel,ScoreParameters] = fitPosterior(CompactSVMModel,...
X(~indx,:),Y(~indx));Warning: Classes are perfectly separated. The optimal score-to-posterior transformation is a step function.
ScoreTransform = ScoreCSVMModel.ScoreTransform
ScoreTransform = '@(S)step(S,-1.338450e+00,2.012495e+00,5.333333e-01)'
fitPosterior отображает предупреждение каждый раз, когда классы разделяются, и сохраняет функцию шага в ScoreSVMModel.ScoreTransform.
Отображение типа функции счета и ее оценочных значений.
ScoreParameters
ScoreParameters = struct with fields:
Type: 'step'
LowerBound: -1.3385
UpperBound: 2.0125
PositiveClassProbability: 0.5333
ScoreParameters массив структур с четырьмя полями:
Тип функции преобразования счета (
Type)Оценка, соответствующая контуру отрицательного класса (
LowerBound)Оценка, соответствующая контуру положительного класса (
UpperBound)Положительная вероятность класса (
PositiveClassProbability)
Также можно пройти SVMModel и новые данные для fitSVMPosteriorно этот процесс не так эффективен.
Оцените апостериорные вероятности того, что наблюдения в новых данных являются версиколорными ирисами.
[labels,postProbs] = predict(ScoreCSVMModel,X(~indx,:)); table(Y(~indx),labels,postProbs(:,2),... 'VariableNames',{'TrueLabel','PredictedLabel','PosteriorProbability'})
ans=10×3 table
TrueLabel PredictedLabel PosteriorProbability
______________ ______________ ____________________
{'setosa' } {'setosa' } 0
{'setosa' } {'setosa' } 0
{'setosa' } {'setosa' } 0
{'setosa' } {'setosa' } 0
{'setosa' } {'setosa' } 0
{'setosa' } {'setosa' } 0
{'setosa' } {'setosa' } 0
{'setosa' } {'setosa' } 0
{'versicolor'} {'versicolor'} 1
{'versicolor'} {'versicolor'} 1
Поскольку классы разделимы, функция step преобразует счет положительного класса в:
0если счет меньшеScoreParameters.LowerBound1если счет большеScoreParameters.UpperBoundScoreParameters.PositiveClassProbabilityесли счет находится в интервале [ScoreParameters.LowerBound,ScoreParameters.LowerBound]
Входные параметры
Выходные аргументы
Подробнее о
Совет
Этот процесс описывает один из способов предсказания апостериорных вероятностей положительного класса.
Обучите классификатор SVM, передав данные в
fitcsvm. Результатом является обученный классификатор SVM, такой какSVMModel, который хранит данные. Программное обеспечение устанавливает свойство функции преобразования счета (SVMModel.ScoreTransformation) кnone.Передайте обученный классификатор SVM
SVMModelнаfitSVMPosteriorилиfitPosterior. Результат, такой какScoreSVMModel, является ли тот же обученный классификатор SVMSVMModel, кроме программных наборовScoreSVMModel.ScoreTransformationк оптимальной функции преобразования счета.Передайте матрицу данных предиктора и обученный классификатор SVM, содержащий оптимальную функцию преобразования счета (
ScoreSVMModelКомуpredict. Второй столбец во втором выходном аргументеpredictсохраняет апостериорные вероятности положительного класса, соответствующие каждой строке матрицы данных предиктора.Если вы пропускаете шаг 2, то
predictвозвращает положительный счет класса, а не апостериорную вероятность положительного класса.
После подбора кривой апостериорных вероятностей можно сгенерировать код C/C + +, который предсказывает метки для новых данных. Для генерации кода C/C + + требуется MATLAB® Coder™. Для получения дополнительной информации смотрите Введение в генерацию кода.
Алгоритмы
Программа подходит для соответствующего счета преобразования -к-апостериорной вероятности с помощью классификатора SVM SVMModel и проведением 10-кратной перекрестной валидации с использованием сохраненных данных предиктора (SVMModel.X) и метки классов (SVMModel.Y), как описано в [1]. Функция преобразования вычисляет апостериорную вероятность того, что наблюдение классифицировано в положительный класс (SVMModel.Classnames(2)).
Если классы неразрывны, то функция преобразования является сигмоидной функцией.
Если классы совершенно разделимы, то функция преобразования является функцией шага.
В двухклассном обучении, если один из двух классов имеет относительную частоту 0, то функция преобразования является постоянной функцией. The
fitPosteriorфункция не подходит для одноклассного обучения.Программное обеспечение сохраняет оптимальную функцию счета-в-апостериорно-вероятностного преобразования в
ScoreSVMModel.ScoreTransform.
Если вы переоцениваете счет функцию преобразования -в-апостериорную-вероятность, то есть, если вы передаете классификатор SVM, чтобы fitPosterior или fitSVMPosterior и его ScoreTransform свойство не none, затем программное обеспечение:
Отображение предупреждения
Устанавливает исходную функцию преобразования в
'none'перед оценкой нового
Альтернативная функциональность
Можно также подогнать оптимальную функцию счета -к-апостериорной-вероятности при помощиfitSVMPosterior. Эта функция похожа на fitPosterior, за исключением того, что он является более широким, поскольку он принимает более широкую область значений типов классификаторов SVM.
Ссылки
[1] Platt, J «. Вероятностные выходы для машин опорных векторов и сравнения с регуляризованными методами правдоподобия». Усовершенствования в классификаторах больших марж. Cambridge, MA: The MIT Press, 2000, pp. 61-74.
См. также
CompactClassificationSVM | fitcsvm | fitSVMPosterior | predict