edge

Классификационное ребро

Синтаксис

E = edge(ens,tbl,ResponseVarName)
E = edge(ens,tbl,Y)
E = edge(ens,X,Y)
E = edge(___,Name,Value)

Описание

E = edge(ens,tbl,ResponseVarName) возвращает ребро классификации для ens с данными tbl и классификационные tbl.ResponseVarName.

E = edge(ens,tbl,Y) возвращает ребро классификации для ens с данными tbl и классификационные Y.

E = edge(ens,X,Y) возвращает ребро классификации для ens с данными X и классификационные Y.

E = edge(___,Name,Value) вычисляет ребро с дополнительными опциями, заданными одним или несколькими Name,Value аргументы в виде пар, с использованием любого из предыдущих синтаксисов.

Входные параметры

ens

Классификационный ансамбль, построенный с fitcensemble, или компактный классификационный ансамбль, созданный с compact.

tbl

Выборочные данные, заданный как таблица. Каждая строка tbl соответствует одному наблюдению, и каждый столбец соответствует одной переменной предиктора. tbl должен содержать все предикторы, используемые для обучения модели. Многополюсные переменные и массивы ячеек, отличные от массивов ячеек векторов символов, не разрешены.

Если вы тренировались ens использование выборочных данных, содержащихся в table, тогда входные данные для этого метода также должны быть в таблице.

ResponseVarName

Имя переменной отклика, заданное как имя переменной в tbl.

Вы должны задать ResponseVarName как вектор символов или строковый скаляр. Для примера, если переменная отклика Y хранится как tbl.Y, затем укажите его следующим 'Y'. В противном случае программное обеспечение обрабатывает все столбцы tbl, включая Y, как предикторы при обучении модели.

X

Матрица, где каждая строка представляет наблюдение, а каждый столбец представляет предиктор. Количество столбцов в X должно равняться количеству предикторов в ens.

Если вы тренировались ens используя выборочные данные, содержащуюся в матрице, тогда входные данные для этого метода должны также быть в матрице.

Y

Классовые метки наблюдений в tbl или X. Y должен быть того же типа, что и классификация, используемая для обучения ens, и его количество элементов должно равняться количеству строк tbl или X.

Аргументы в виде пар имя-значение

Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN.

'learners'

Индексы слабых учащихся ансамбля в диапазоне от 1 на ens.NumTrained. edge использует только этих учащихся для вычисления потерь.

По умолчанию: 1:NumTrained

'mode'

Значение выхода E:

  • 'ensemble'E является скалярным значением, ребром для всего ансамбля.

  • 'individual'E является вектором с одним элементом на обученного учащегося.

  • 'cumulative'E - вектор, в котором находится элемент J получается при помощи обучающихся 1:J из входа списка учащихся.

По умолчанию: 'ensemble'

'UseObsForLearner'

Логическая матрица размера N-by- T, где:

  • N количество строк X.

  • T количество слабых учащихся в ens.

Когда UseObsForLearner(i,j) является true, учащийся j используется в прогнозировании класса строки i от X.

По умолчанию: true(N,T)

'weights'

Веса наблюдений, числовой вектор длины size(X,1). Если вы поставляете веса, edge вычисляет взвешенное ребро классификации.

По умолчанию: ones(size(X,1),1)

Выходные аргументы

E

Классификационное ребро, вектор или скаляр в зависимости от настройки mode Пара "имя-значение". Классификационным ребром является средневзвешенная классификационная маржа.

Примеры

расширить все

Найдите классификационное ребро для некоторых данных, используемых для обучения классификатора усиленных ансамблей.

Загрузите ionosphere набор данных.

load ionosphere

Обучите ансамбль из 100 бустерных классификационных деревьев с помощью AdaBoostM1.

t = templateTree('MaxNumSplits',1); % Weak learner template tree object
ens = fitcensemble(X,Y,'Method','AdaBoostM1','Learners',t);

Найдите ребро классификации для последних нескольких строк.

E = edge(ens,X(end-10:end,:),Y(end-10:end))
E = 8.3310

Подробнее о

расширить все

Расширенные возможности

См. также

|

Для просмотра документации необходимо авторизоваться на сайте