edge

Классификационное ребро

Синтаксис

E = edge(tree,TBL,ResponseVarName)

E = edge(tree,X,Y)

E = edge(___,Name,Value)

Описание

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

E = edge(tree,X,Y) возвращает ребро классификации для tree 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. Для примера можно задать веса наблюдений.

Входные параметры

расширить все

`tree` - Обученное дерево классификации
`ClassificationTree` объект модели | `CompactClassificationTree` объект модели

Обученное дерево классификации, заданное как ClassificationTree или CompactClassificationTree объект модели. То есть tree является обученной классификационной моделью, возвращенной fitctree или compact.

`TBL` - Выборочные данные
таблица

Выборочные данные, заданный как таблица. Каждая строка TBL соответствует одному наблюдению, и каждый столбец соответствует одной переменной предиктора. Опционально TBL может содержать дополнительные столбцы для переменной отклика и весов наблюдений. TBL должны содержать все предикторы, используемые для обучения tree. Многополюсные переменные и массивы ячеек, отличные от массивов ячеек векторов символов, не разрешены.

Если TBL содержит переменную отклика, используемую для обучения tree, тогда вам не нужно указывать ResponseVarName или Y.

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

Типы данных: table

`X` - Данные для классификации
числовая матрица

Данные для классификации, заданные как числовая матрица. Каждая строка X представляет одно наблюдение, и каждый столбец представляет один предиктор. X должны иметь одинаковое число столбцов в качестве данных, используемых для обучения tree. X должно иметь одинаковое число строк как количество элементов в Y.

Типы данных: single | double

`ResponseVarName` - Имя переменной отклика
имя переменной в `TBL`

Имя переменной отклика, заданное как имя переменной в TBL. Если TBL содержит переменную отклика, используемую для обучения tree, тогда вам не нужно указывать ResponseVarName.

Если вы задаете ResponseVarName, тогда вы должны сделать это как вектор символов или строковый скаляр. Для примера, если переменная отклика сохранена как TBL.Response, затем укажите его следующим 'Response'. В противном случае программное обеспечение обрабатывает все столбцы TBL, включая TBL.ResponseVarName, как предикторы.

Переменная отклика должна быть категориальными символьными или строковыми массивами, логическим или числовым вектором или массивом ячеек из векторов символов. Если переменная отклика является символьным массивом, то каждый элемент должен соответствовать одной строке массива.

Типы данных: char | string

`Y` - Метки классов
категориальный массив | символьный массив | строковые массивы | логический вектор | числовой вектор | массив ячеек из векторов символов

Метки класса, заданные как категориальные символьные или строковые массивы, логический или числовой вектор или массив ячеек из векторов символов. Y должен быть того же типа, что и классификация, используемая для обучения tree, и его количество элементов должно равняться количеству строк 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.

`'Weights'` - Веса наблюдений
`ones(size(X,1),1)` (по умолчанию) | имя переменной в `TBL` | числовой вектор

Веса наблюдений, заданные как разделенная разделенными запятой парами, состоящая из 'Weights' и числовой вектор или имя переменной в TBL.

Если вы задаете Weights в виде числового вектора, затем размера Weights должно быть равно количеству строк в X или TBL.

Если вы задаете Weights как имя переменной в TBL, вы должны сделать это как вектор символов или строковый скаляр. Для примера, если веса сохранены как TBL.W, затем укажите его следующим 'W'. В противном случае программное обеспечение обрабатывает все столбцы TBL, включая TBL.W, как предикторы.

Если вы поставляете веса, edge вычисляет взвешенное ребро классификации. Программа взвешивает наблюдения в каждой строке X или TBL с соответствующим весом в Weights.

Типы данных: single | double | char | string

Выходные аргументы

расширить все

`E` - Классификационное ребро
скалярное значение

Классификационное ребро, возвращенный как скаляр, представляющий средневзвешенное значение маржи.

Примеры

Вычислите классификационное поле и ребро для данных радужной оболочки глаза Фишера, обученную на первых двух столбцах данных, и просмотрите последние 10 записей:

load fisheriris
X = meas(:,1:2);
tree = fitctree(X,species);
E = edge(tree,X,species)

E =
    0.6299

M = margin(tree,X,species);
M(end-10:end)

Дерево классификации, обученное на всех данных, лучше.

tree = fitctree(meas,species);
E = edge(tree,meas,species)

E =
    0.9384

M = margin(tree,meas,species);
M(end-10:end)

Подробнее о

расширить все

Край

Классификационная margin является различием между score классификации для истинного класса и максимальной классификационной оценкой для ложных классов. Поле является вектором-столбцом с одинаковым числом строк, как и матрица X.

Счет (дерево)

Для деревьев score классификации узла листа является апостериорной вероятностью классификации в этом узле. Апостериорная вероятность классификации в узле - это количество обучающих последовательностей, которые ведут к этому узлу с классификацией, разделенной на количество обучающих последовательностей, которые ведут к этому узлу.

Например, рассмотрите классификацию предиктора X как true когда X < 0.15 или X > 0.95, и X в противном случае ложь.

Сгенерируйте 100 случайных точек и классифицируйте их:

rng(0,'twister') % for reproducibility
X = rand(100,1);
Y = (abs(X - .55) > .4);
tree = fitctree(X,Y);
view(tree,'Mode','Graph')

Обрезать дерево:

tree1 = prune(tree,'Level',1);
view(tree1,'Mode','Graph')

Обрезанное дерево правильно классифицирует наблюдения, которые меньше 0,15, как true. Он также правильно классифицирует наблюдения от .15 до .94 как false. Однако он неправильно классифицирует наблюдения, которые больше 94, как false. Поэтому счет для наблюдений, которые больше 15, должны быть около .05/.85 = .06 для trueи примерно .8/.85 = .94 для false.

Вычислите счета предсказания для первых 10 строк X:

[~,score] = predict(tree1,X(1:10));
[score X(1:10,:)]

ans = 10×3

    0.9059    0.0941    0.8147
    0.9059    0.0941    0.9058
         0    1.0000    0.1270
    0.9059    0.0941    0.9134
    0.9059    0.0941    0.6324
         0    1.0000    0.0975
    0.9059    0.0941    0.2785
    0.9059    0.0941    0.5469
    0.9059    0.0941    0.9575
    0.9059    0.0941    0.9649

Действительно, каждое значение X (самый правый столбец), который меньше 0,15 имеет связанные счета (левый и центральный столбцы) 0 и 1, в то время как другие значения X имеют сопоставленные счета 0.91 и 0.09. The различия (счет 0.09 вместо ожидаемого .06) обусловлено статистическим колебанием: существуют 8 наблюдения в X в области значений (.95,1) вместо ожидаемого 5 наблюдения.

Ребро

Это edge - средневзвешенное значение классификационного запаса. Веса являются вероятностями классов в tree.Prior. Если вы поставляете веса в weights Пары "имя-значение" эти веса нормированы до суммы предыдущих вероятностей в соответствующих классах и затем используются для вычисления взвешенных средних значений.

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

fitctree | loss | margin | predict

Документация

edge

Синтаксис

Описание

Входные параметры

`tree` - Обученное дерево классификации
`ClassificationTree` объект модели | `CompactClassificationTree` объект модели

`TBL` - Выборочные данные
таблица

`X` - Данные для классификации
числовая матрица

`ResponseVarName` - Имя переменной отклика
имя переменной в `TBL`

`Y` - Метки классов
категориальный массив | символьный массив | строковые массивы | логический вектор | числовой вектор | массив ячеек из векторов символов

Аргументы в виде пар имя-значение

`'Weights'` - Веса наблюдений
`ones(size(X,1),1)` (по умолчанию) | имя переменной в `TBL` | числовой вектор

Выходные аргументы

`E` - Классификационное ребро
скалярное значение

Примеры

Подробнее о

Край

Счет (дерево)

Ребро

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

edge

Синтаксис

Описание

Входные параметры

tree - Обученное дерево классификации ClassificationTree объект модели | CompactClassificationTree объект модели

TBL - Выборочные данные таблица

X - Данные для классификации числовая матрица

ResponseVarName - Имя переменной отклика имя переменной в TBL

Y - Метки классов категориальный массив | символьный массив | строковые массивы | логический вектор | числовой вектор | массив ячеек из векторов символов

Аргументы в виде пар имя-значение

'Weights' - Веса наблюдений ones(size(X,1),1) (по умолчанию) | имя переменной в TBL | числовой вектор

Выходные аргументы

E - Классификационное ребро скалярное значение

Примеры

Подробнее о

Край

Счет (дерево)

Ребро

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

`tree` - Обученное дерево классификации
`ClassificationTree` объект модели | `CompactClassificationTree` объект модели

`TBL` - Выборочные данные
таблица

`X` - Данные для классификации
числовая матрица

`ResponseVarName` - Имя переменной отклика
имя переменной в `TBL`

`Y` - Метки классов
категориальный массив | символьный массив | строковые массивы | логический вектор | числовой вектор | массив ячеек из векторов символов

`'Weights'` - Веса наблюдений
`ones(size(X,1),1)` (по умолчанию) | имя переменной в `TBL` | числовой вектор

`E` - Классификационное ребро
скалярное значение

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