edge

Классификационное ребро

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

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

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

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

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

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.

Типы данных: categorical | char | string | logical | single | double | cell

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.

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

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)
ans =
    0.1111
    0.1111
    0.1111
   -0.2857
    0.6364
    0.6364
    0.1111
    0.7500
    1.0000
    0.6364
    0.2000

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)
ans =
    0.9565
    0.9565
    0.9565
    0.9565
    0.9565
    0.9565
    0.9565
    0.9565
    0.9565
    0.9565
    0.9565

Подробнее о

расширить все

Расширенные возможности

См. также

| | |

Для просмотра документации необходимо авторизоваться на сайте