loss

Ошибка классификации

Синтаксис

L = loss(ens,tbl,ResponseVarName) L = loss(ens,tbl,Y) L = loss(ens,X,Y) L = loss(___,Name,Value)

Описание

L = loss(ens,tbl,ResponseVarName) возвращает классификационную ошибку для ансамбля ens вычисляется с использованием таблицы предикторов tbl и истинные метки классов tbl.ResponseVarName.

L = loss(ens,tbl,Y) возвращает классификационную ошибку для ансамбля ens вычисляется с использованием таблицы предикторов tbl и истинные метки классов Y.

L = loss(ens,X,Y) возвращает классификационную ошибку для ансамбля ens вычисляется с использованием матрицы предикторов X и истинные метки классов Y.

L = loss(___,Name,Value) вычисляет ошибку классификации с дополнительными опциями, заданными одним или несколькими Name,Value аргументы в виде пар, с использованием любого из предыдущих синтаксисов.

При расчете потерь loss нормализует вероятности классов в ResponseVarName или Y к вероятностям класса, используемым для обучения, хранящимся в Prior свойство ens.

Входные параметры

`ens`	Классификационный ансамбль, созданный 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 данных для классификации. Каждая строка `X` представляет одно наблюдение, и каждый столбец представляет один предиктор. `X` должны иметь одинаковое число столбцов в качестве данных, используемых для обучения `ens`. `X` должно иметь одинаковое число строк как количество элементов в `Y`. 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. loss использует только этих учащихся для вычисления потерь.

По умолчанию: 1:NumTrained

'Lossfun'

Функция потерь, заданная как разделенная разделенными запятой парами, состоящая из 'LossFun' и встроенное имя функции потери или указатель на функцию.

В следующей таблице перечислены доступные функции потерь. Задайте один с помощью соответствующего вектора символов или строкового скаляра.

Значение	Описание
`'binodeviance'`	Биномиальное отклонение
`'classiferror'`	Неверно классифицированный коэффициент в десятичных числах
`'exponential'`	Экспоненциальные потери
`'hinge'`	Потеря шарнира
`'logit'`	Логистические потери
`'mincost'`	Минимальные ожидаемые затраты на неправильную классификацию (для классификационных оценок, которые являются апостериорными вероятностями)
`'quadratic'`	Квадратичные потери

'mincost' подходит для классификационных оценок, которые являются апостериорными вероятностями.

Пакетированные и подпространственные ансамбли возвращают апостериорные вероятности по умолчанию (ens.Method является 'Bag' или 'Subspace').
Если метод ансамбля 'AdaBoostM1', 'AdaBoostM2', GentleBoost, или 'LogitBoost'затем, чтобы использовать апостериорные вероятности как классификационные оценки, необходимо задать двойной логит счета преобразования путем ввода
```
ens.ScoreTransform = 'doublelogit';
```
Для всех других методов ансамбля программное обеспечение не поддерживает апостериорные вероятности как классификационные оценки.

Задайте свою собственную функцию, используя обозначение указателя на функцию.
Предположим, что n количество наблюдений в X и K быть количеством различных классов (numel(ens.ClassNames), ens является вход моделью). Ваша функция должна иметь эту подпись
```
lossvalue = lossfun(C,S,W,Cost)
```
где:
- Выходной аргумент lossvalue является скаляром.
- Вы выбираете имя функции (lossfun).
- C является n-by- K логическая матрица со строками, указывающими, какому классу принадлежит соответствующее наблюдение. Порядок столбцов соответствует порядку классов в ens.ClassNames.
  Конструкция C путем установки C(p,q) = 1 если наблюдение p находится в q классов, для каждой строки. Установите все другие элементы строки p на 0.
- S является n-by- K числовая матрица классификационных оценок. Порядок столбцов соответствует порядку классов в ens.ClassNames. S является матрицей классификационных оценок, подобной выходным данным predict.
- W является n-by-1 числовой вектор весов наблюдений. Если вы сдаете Wпрограммное обеспечение нормирует их в сумме к 1.
- Cost является K -by- K числовая матрица затрат на неправильную классификацию. Для примера, Cost = ones(K) - eye(K) задает стоимость 0 для правильной классификации и 1 для неправильной классификации.
Задайте свою функцию, используя 'LossFun', @ lossfun.

Для получения дополнительной информации о функциях потерь смотрите Классификационные потери.

По умолчанию: 'classiferror'

'mode'

Значение выхода L:

'ensemble' — L является скалярным значением, потеря для всего ансамбля.
'individual' — L является вектором с одним элементом на обученного учащегося.
'cumulative' — L - 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'

Вектор весов наблюдений с неотрицательными элементами. Длина weights должно равняться количеству строк в X. Когда вы задаете веса, loss нормализует веса так, чтобы веса наблюдений в каждой сумме классов соответствовали предшествующей вероятности этого класса.

По умолчанию: ones(size(X,1),1)

Выходные аргументы

`L`	Классификационные потери, по умолчанию доля неправильно классифицированных данных. `L` может быть вектором и может означать различные вещи, в зависимости от настроек пары "имя-значение".

Примеры

расширить все

Ошибка классификации оценок

Открыть Live Script

Загрузите набор данных радужки Фишера.

load fisheriris

Обучите классификационный ансамбль из 100 деревьев решений с помощью AdaBoostM2. Задайте древовидные пни как слабые ученики.

t = templateTree('MaxNumSplits',1);
ens = fitcensemble(meas,species,'Method','AdaBoostM2','Learners',t);

Оцените классификационную ошибку модели, используя обучающие наблюдения.

L = loss(ens,meas,species)

L = 0.0333

Кроме того, если ens не является компактным, тогда можно оценить ошибку классификации обучающей выборки путем передачи ens на resubLoss.

Подробнее о

расширить все

Классификационные потери

Classification loss функции измеряют прогнозирующую неточность классификационных моделей. Когда вы сравниваете один и тот же тип потерь среди многих моделей, более низкая потеря указывает на лучшую прогнозирующую модель.

Рассмотрим следующий сценарий.

L - средневзвешенные классификационные потери.
n - размер выборки.
Для двоичной классификации:
- _yj - наблюдаемая метка класса. Программное обеспечение кодирует его как -1 или 1, указывая на отрицательный или положительный класс (или первый или второй класс в ClassNames свойство), соответственно.
- f (_Xj) является баллом классификации положительного класса для j наблюдений (строка) X данных предиктора.
- _mj = _yj f ₍Xj) является классификационной оценкой для классификации j наблюдений в класс, относящийся к yj. Положительные значения mj указывают на правильную классификацию и не вносят большой вклад в средние потери. Отрицательные значения mj указывают на неправильную классификацию и вносят значительный вклад в среднюю потерю.
Для алгоритмов, которые поддерживают многоклассовую классификацию (то есть K ≥ 3):
- _yj^* - вектор с K - 1 нулями, с 1 в положении, соответствующем истинному, наблюдаемому классу _yj. Для примера, если истинный класс второго наблюдения является третьим классом и K = 4, то y 2^* = [0 0 1 0]′. Порядок классов соответствует порядку в ClassNames свойство модели входа.
- f (_Xj) является вектором K длины счетов классов для j наблюдений X данных предиктора. Порядок счетов соответствует порядку классов в ClassNames свойство модели входа.
- _mj = _yj^*′ f _{(<reservedrangesplaceholder1>)}. Поэтому mj является скалярной классификационной оценкой, которую модель предсказывает для истинного наблюдаемого класса.
Вес для j наблюдения _wj. Программа нормализует веса наблюдений так, чтобы они суммировались с соответствующей вероятностью предыдущего класса. Программное обеспечение также нормализует предыдущие вероятности, поэтому они равны 1. Поэтому,

$\sum_{j = 1}^{n} w_{j} = 1.$

С учетом этого сценария в следующей таблице описываются поддерживаемые функции потерь, которые можно задать при помощи 'LossFun' аргумент пары "имя-значение".

Функция потерь	Значение `LossFun`	Уравнение
Биномиальное отклонение	`'binodeviance'`	$L = \sum_{j = 1}^{n} w_{j} \log {1 + \exp [- 2 m_{j}]} .$
Неверно классифицированный коэффициент в десятичных числах	`'classiferror'`	$L = \sum_{j = 1}^{n} w_{j} I {{\hat{y}}_{j} \neq y_{j}} .$ ${\hat{y}}_{j}$ - метка класса, соответствующая классу с максимальным счетом. I {·} является функцией индикации.
Потери перекрестной энтропии	`'crossentropy'`	`'crossentropy'` подходит только для моделей нейронных сетей. Взвешенные потери перекрестной энтропии $L = - \sum_{j = 1}^{n} \frac{{\tilde{w}}_{j} \log (m_{j})}{K n},$ где веса ${\tilde{w}}_{j}$ нормированы в сумме к n вместо 1.
Экспоненциальные потери	`'exponential'`	$L = \sum_{j = 1}^{n} w_{j} \exp (- m_{j}) .$
Потеря шарнира	`'hinge'`	$L = \sum_{j = 1}^{n} w_{j} \max {0, 1 - m_{j}} .$
Логит потеря	`'logit'`	$L = \sum_{j = 1}^{n} w_{j} \log (1 + \exp (- m_{j})) .$
Минимальные ожидаемые затраты на неправильную классификацию	`'mincost'`	`'mincost'` подходит только, если классификационные оценки апостериорные вероятности. Программа вычисляет взвешенные минимальные ожидаемые затраты классификации, используя эту процедуру для наблюдений j = 1,..., n. Оцените ожидаемые затраты на неправильную классификацию классификации _Xj наблюдений в k классов: $γ_{j k} = {(f {(X_{j})}^{'} C)}_{k} .$ f (_Xj) является вектором-столбцом апостериорных вероятностей классов для двоичной и многоклассовой классификации для _Xj наблюдений. C - матрица затрат, сохраненная в `Cost` свойство модели. Для j наблюдения спрогнозируйте метку класса, соответствующую минимальной ожидаемой стоимости неправильной классификации: ${\hat{y}}_{j} = \underset{k = 1, ..., K}{argmin} γ_{j k} .$ Используя C, идентифицируйте понесенные затраты (_cj) для создания предсказания. Взвешенное среднее значение минимальных ожидаемых потерь от неправильной классификации $L = \sum_{j = 1}^{n} w_{j} c_{j} .$ Если вы используете матрицу затрат по умолчанию (значение элемента которой 0 для правильной классификации и 1 для неправильной классификации), то `'mincost'` потеря эквивалентна `'classiferror'` потеря.
Квадратичные потери	`'quadratic'`	$L = \sum_{j = 1}^{n} w_{j} {(1 - m_{j})}^{2} .$

Этот рисунок сравнивает функции потерь (кроме 'crossentropy' и 'mincost') по счету m для одного наблюдения. Некоторые функции нормированы, чтобы пройти через точку (0,1).

Расширенные возможности

Длинные» массивы
Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Эта функция полностью поддерживает длинные массивы. Для получения дополнительной информации см. Раздел «Длинные массивы»

См. также

edge | loss | margin | predict

Документация

loss

Синтаксис

Описание

Входные параметры

Аргументы в виде пар имя-значение

Выходные аргументы

Примеры

Ошибка классификации оценок

Подробнее о

Классификационные потери

Расширенные возможности

Длинные» массивы
Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

См. также

Statistics and Machine Learning Toolbox документация

Поддержка

Документация

loss

Синтаксис

Описание

Входные параметры

Аргументы в виде пар имя-значение

Выходные аргументы

Примеры

Ошибка классификации оценок

Подробнее о

Классификационные потери

Расширенные возможности

Длинные» массивы Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

См. также

Statistics and Machine Learning Toolbox документация

Поддержка

Длинные» массивы
Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.