Обучите классификационный древовидный классификатор, а затем перекрестно проверьте его с помощью пользовательской функции k-fold loss.

Загрузите набор данных радужки Фишера.

load fisheriris

Обучите классификационный древовидный классификатор.

Mdl = fitctree(meas,species);

Mdl является ClassificationTree модель.

Перекрестная валидация Mdl использование 10-кратной перекрестной проверки по умолчанию. Вычислите классификационную ошибку (долю неправильно классифицированных наблюдений) для наблюдений с разбиением на валидации.

rng(1); % For reproducibility
CVMdl = crossval(Mdl);
L = kfoldLoss(CVMdl,'LossFun','classiferror')

L = 0.0467

Исследуйте результат, когда стоимость неправильной классификации цветка как versicolor является 10, и стоимость любой другой неправильной классификации 1. Создайте пользовательскую функцию noversicolor (показан в конце этого примера). Эта функция определяет стоимость 10 за неправильную классификацию цветка как versicolorи стоимость 1 за любую другую неправильную классификацию.

Вычислите среднюю ошибку неправильной классификации с noversicolor стоимость.

mean(kfoldfun(CVMdl,@noversicolor))

ans = 0.2267

Этот код создает функцию noversicolor.

function averageCost = noversicolor(CMP,~,~,~,Xtest,Ytest,~)
% noversicolor Example custom cross-validation function
%    Attributes a cost of 10 for misclassifying versicolor irises, and 1 for
%    the other irises.  This example function requires the fisheriris data
%    set.
Ypredict = predict(CMP,Xtest);
misclassified = not(strcmp(Ypredict,Ytest)); % Different result
classifiedAsVersicolor = strcmp(Ypredict,'versicolor'); % Index of bad decisions
cost = sum(misclassified) + ...
    9*sum(misclassified & classifiedAsVersicolor); % Total differences
averageCost = cost/numel(Ytest); % Average error
end