margin

Классификационные поля

Синтаксис

M = margin(ens,tbl,ResponseVarName)
M = margin(ens,tbl,Y)
M = margin(ens,X,Y)
M = margin(___Name,Value)

Описание

M = margin(ens,tbl,ResponseVarName) возвращает классификационное поле для предсказаний ens по данным tbl, когда истинные классификации tbl.ResponseVarName.

M = margin(ens,tbl,Y) возвращает классификационное поле для предсказаний ens по данным tbl, когда истинные классификации Y.

M = margin(ens,X,Y) возвращает классификационное поле для предсказаний ens по данным X, когда истинные классификации Y.

M = margin(___Name,Value) вычисляет маржу с дополнительными опциями, заданными одним или несколькими Name,Value аргументы в виде пар, с использованием любого из предыдущих синтаксисов.

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. oobEdge использует только этих учащихся для вычисления потерь.

По умолчанию: 1:NumTrained

'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)

Выходные аргументы

M

Числовой вектор-столбец с одинаковым числом строк, как и tbl или X. Каждая строка M задает классификационное поле для этой строки tbl или X.

Примеры

расширить все

Найдите поле для классификации среднего цветка из fisheriris данные как 'versicolor'.

Загрузите набор данных радужной оболочки глаза Фишера.

load fisheriris

Обучите ансамбль из 100 бустерных классификационных деревьев с помощью AdaBoostM2.

t = templateTree('MaxNumSplits',1); % Weak learner template tree object
ens = fitcensemble(meas,species,'Method','AdaBoostM2','Learners',t);

Классифицируйте средний цветок и найдите классификационный запас.

flower = mean(meas);
predict(ens,flower)
ans = 1x1 cell array
    {'versicolor'}

margin(ens,flower,'versicolor')
ans = 3.2140

Подробнее о

расширить все

Расширенные возможности

См. также

| |

Для просмотра документации необходимо авторизоваться на сайте