Exponenta Banner
exponenta event banner

kfoldMargin

Классификационные поля для перекрестно проверенной классификационной модели

Свернуть все на странице

    Синтаксис

    M = kfoldMargin(CVMdl)
    M = kfoldMargin(CVMdl,'IncludeInteractions',includeInteractions)

    Описание

    пример

    M = kfoldMargin(CVMdl) возвращает поля классификации, полученные перекрестной проверенной классификационной моделью CVMdl. Для каждой складки, kfoldMargin вычисляет классификационные поля для наблюдений с складкой валидации с помощью классификатора, обученного наблюдениям с складкой обучения. CVMdl.X и CVMdl.Y содержат оба набора наблюдений.

    M = kfoldMargin(CVMdl,'IncludeInteractions',includeInteractions) задает, включать ли термины взаимодействия в расчеты. Этот синтаксис применяется только к обобщенным аддитивным моделям.

    Примеры

    свернуть все

    Открыть Live Script

    Найдите поля k-складки для ансамбля, который классифицирует ionosphere данные.

    Загрузите ionosphere набор данных.

    load ionosphere

    Создайте шаблон древовидного пня.

    t = templateTree('MaxNumSplits',1);

    Обучите классификационный ансамбль деревьев решений. Задайте t как слабый ученик.

    Mdl = fitcensemble(X,Y,'Method','AdaBoostM1','Learners',t);

    Перекрестная проверка классификатора с помощью 10-кратной перекрестной проверки.

    cvens = crossval(Mdl);

    Вычислите поля k-складки. Отображение сводной статистики для полей.

    m = kfoldMargin(cvens);
marginStats = table(min(m),mean(m),max(m),...
    'VariableNames',{'Min','Mean','Max'})
    marginStats=1×3 table
      Min       Mean      Max  
    _______    ______    ______

    -11.312    7.3236    23.517

    Входные параметры

    свернуть все

    Перекрестный проверенный секционированный классификатор, заданный как ClassificationPartitionedModel, ClassificationPartitionedEnsemble, или ClassificationPartitionedGAM объект. Можно создать объект двумя способами:

    • Передайте обученную классификационную модель, перечисленную в следующей таблице, в свою crossval функция объекта.

    • Обучите классификационную модель с помощью функции, перечисленной в следующей таблице, и задайте один из аргументов имя-значение перекрестной валидации для функции.

    Классификационная модельФункция
    ClassificationDiscriminantfitcdiscr
    ClassificationEnsemblefitcensemble
    ClassificationGAMfitcgam
    ClassificationKNNfitcknn
    ClassificationNaiveBayesfitcnb
    ClassificationNeuralNetworkfitcnet
    ClassificationSVMfitcsvm
    ClassificationTreefitctree

    Флаг для включения условий взаимодействия модели, заданный как true или false. Этот аргумент действителен только для обобщенной аддитивной модели (GAM). То есть можно задать этот аргумент только тогда, когда CVMdl является ClassificationPartitionedGAM.

    Значение по умолчанию true если модели в CVMdl (CVMdl.Trained) содержат условия взаимодействия. Значение должно быть false если модели не содержат условий взаимодействия.

    Типы данных: logical

    Выходные аргументы

    свернуть все

    Классификационные поля, возвращенные как числовой вектор. M является вектором n -by-1, где каждая строка является краем соответствующего наблюдения, а n - количеством наблюдений. (n есть size(CVMdl.X,1) когда наблюдения указаны в строках.)

    Если вы используете метод валидации удержания для создания CVMdl (то есть, если CVMdl.KFold является 1), затем M имеет NaN значения для обучающих-складных наблюдений.

    Подробнее о

    свернуть все

    Классификационное поле

    Для каждого наблюдения classification margin двоичной классификации является различие между классификационной оценкой для истинного класса и классификационной оценкой для ложного класса. classification margin для многоклассовой классификации является различие между классификационной оценкой для истинного класса и максимальным счетом для ложных классов.

    Если поля находятся на одной и той же шкале (то есть значения баллов основаны на том же счете преобразовании), то они служат классификацией доверия мерой. Среди нескольких классификаторов лучше те, которые дают большую маржу.

    Алгоритмы

    kfoldMargin вычисляет классификационные поля как описано в соответствующем margin функция объекта. Для описания модели смотрите соответствующее margin страницу с описанием функции в следующей таблице.

    Тип моделиmargin Функция
    Классификатор дискриминантного анализаmargin
    Классификатор ансамбляmargin
    Обобщенный классификатор аддитивной моделиmargin
    k - ближайший соседний классификаторmargin
    Наивный классификатор Байесаmargin
    Классификатор нейронной сетиmargin
    Машина опорных векторовmargin
    Двоичное дерево принятия решений для многоклассовой классификацииmargin

    Расширенные возможности

    См. также

    | | | |

    Введенный в R2011a

    Statistics and Machine Learning Toolbox документация

    Поддержка