error

Ошибка (вероятность неправильной классификации или MSE)

Синтаксис

err = error(B,TBLnew,Ynew) err = error(B,Xnew,Ynew) err = error(B,TBLnew,Ynew,'param1',val1,'param2',val2,...) err = error(B,Xnew,Ynew,'param1',val1,'param2',val2,...)

Описание

err = error(B,TBLnew,Ynew) вычисляет вероятность неправильной классификации для деревьев классификации или средней квадратичной невязки (MSE) для деревьев регрессии для каждого дерева, для предикторов, содержащихся в таблице TBLnew заданный истинный ответ Ynew. Можно опускать Ynew если TBLnew содержит переменную отклика. Если вы тренировались B используя выборочные данные, содержащуюся в таблице, тогда входные данные для этого метода должны также быть в таблице.

err = error(B,Xnew,Ynew) вычисляет вероятность неправильной классификации для деревьев классификации или средней квадратичной невязки (MSE) для деревьев регрессии для каждого дерева, для предикторов, содержащихся в матрице Xnew заданный истинный ответ Ynew. Если вы тренировались B используя выборочные данные, содержащуюся в матрице, тогда входные данные для этого метода должны также быть в матрице.

Для классификации, Ynew может быть числовым вектором, символьной матрицей, строковыми массивами, массивом ячеек из векторов символов, категориальным вектором или логическим вектором. Для регрессии, Y должен быть числовым вектором. err является вектором с одной мерой ошибки для каждого из NTrees деревья в ансамбле B.

err = error(B,TBLnew,Ynew,'param1',val1,'param2',val2,...) или err = error(B,Xnew,Ynew,'param1',val1,'param2',val2,...) задает необязательные пары "имя-значение" параметра:

`'Mode'`	Вектор символов или строковый скаляр, указывающий, как метод вычисляет ошибки. Если установлено значение `'cumulative'` (по умолчанию), `error` вычисляет совокупные ошибки и `err` является вектором длины `NTrees`, где первый элемент выдает ошибку от `trees(1)`, второй элемент дает ошибку от `trees(1:2)` и т.д., до `trees(1:NTrees)`. Если установлено значение `'individual'`, `err` является вектором длины `NTrees`, где каждый элемент является ошибкой от каждого дерева в ансамбле. Если установлено значение `'ensemble'`, `err` является скаляром, показывающим совокупную ошибку для всего ансамбля.
`'Weights'`	Вектор весов наблюдений для усреднения ошибок. По умолчанию вес каждого наблюдения равен 1. Длина этого вектора должна быть равна количеству строк в `X`.
`'Trees'`	Вектор индексов, указывающих, какие деревья включать в этот расчет. По умолчанию для этого аргумента задано значение `'all'` и метод использует все деревья. Если `'Trees'` является числовым вектором, метод возвращает вектор длины `NTrees` для `'cumulative'` и `'individual'` режимы, где `NTrees` - количество элементов в векторе вход и скаляр для `'ensemble'` режим. Для примера, в `'cumulative'` mode, первый элемент выдает ошибку от `trees(1)`, второй элемент дает ошибку от `trees(1:2)` и т.д.
`'TreeWeights'`	Вектор весов дерева. Этот вектор должен иметь ту же длину, что и `'Trees'` вектор. Метод использует эти веса, чтобы объединить выход из заданных деревьев, взяв взвешенное среднее значение вместо простого невзвешенного большинства голосов. Вы не можете использовать этот аргумент в `'individual'` режим.
`'UseInstanceForTree'`	Логическая матрица размера `Nobs`-by- `NTrees` указание на то, какие деревья следует использовать для внесения предсказаний в каждое наблюдение. По умолчанию метод использует все деревья для всех наблюдений.

Алгоритмы

При оценке ошибки ансамбля:

Использование 'Mode' аргумент пары "имя-значение", можно задать, чтобы вернуть ошибку любым из следующих трех способов:
- Ошибка для отдельных деревьев в ансамбле
- Совокупная ошибка по всем деревьям
- Ошибка для всего ансамбля
Использование 'Trees' аргумент пары "имя-значение" можно задать, какие деревья использовать в вычислениях ошибок ансамбля.
Использование 'UseInstanceForTree' Аргумент пары "имя-значение" можно задать какие наблюдения в входных данных (X и Y) для использования в вычислении ошибки ансамбля для каждого выбранного дерева.
Использование 'Weights' Аргумент пары "имя-значение" можно атрибутировать каждое наблюдение весом. Для следующих формул _wj является весом j наблюдений.
Использование 'TreeWeights' Аргумент пары "имя-значение" можно атрибутировать каждое дерево весом.

Для задач регрессии, error оценивает взвешенное MSE ансамбля мешанных регрессионых деревьев для предсказания Y заданные X использование выбранных деревьев и наблюдений.

error предсказывает ответы для выбранных наблюдений в X использование выбранных деревьев регрессии в ансамбле.
Оценка MSE зависит от значения 'Mode'.
- Если вы задаете 'Mode','Individual', тогда взвешенный MSE для древовидных t
  
  ${MSE}_{t} = \frac{1}{\sum_{j = 1}^{n} w_{j}} \sum_{j = 1}^{n} w_{j} {(y_{j} - {\hat{y}}_{t j})}^{2} .$
  ${\hat{y}}_{t j}$ - предсказанная реакция j наблюдений из выбранных t регрессионного дерева. error устанавливает любые невыбранные наблюдения в выбранном дереве в средневзвешенное среднее значение выборки наблюдаемых откликов обучающих данных.
- Если вы задаете 'Mode','Cumulative', тогда взвешенный MSE является вектором размера T^* содержит совокупные взвешенные MSE по T^* ≤ T выбранные деревья. error выполните эти шаги, чтобы оценить MSE t^*, совокупный взвешенный MSE с использованием первого t выбранных деревьев.
  1. Для выбранных j наблюдения j = 1,..., n, error оценки ${\hat{y}}_{bag, t j}$ , взвешенное среднее значение предсказаний среди первых t выбранных деревьев (для получения дополнительной информации см. predict). Для этого расчета, error использует веса дерева.
  2. error оценивает совокупный взвешенный MSE через древовидные t.
    
    ${MSE}_{t}^{*} = \frac{1}{\sum_{j = 1}^{n} w_{j}} \sum_{j = 1}^{n} w_{j} {(y_{j} - {\hat{y}}_{bag, t j})}^{2} .$
  error устанавливает наблюдения, которые не выбраны для всех выбранных деревьев, в средневзвешенное среднее значение выборки наблюдаемых откликов обучающих данных.
- Если вы задаете 'Mode','Ensemble', тогда взвешенный MSE является последним элементом совокупного взвешенного вектора MSE.

Для задач классификации, error оценивает взвешенную скорость неправильной классификации ансамбля упакованных классификационных деревьев для предсказания Y заданные X использование выбранных деревьев и наблюдений.

Если вы задаете 'Mode','Individual', тогда взвешенный коэффициент неправильной классификации для древовидных t

$e_{t} = \frac{1}{\sum_{j = 1}^{n} w_{j}} \sum_{j = 1}^{n} w_{j} I (y_{j} \neq {\hat{y}}_{t j}) .$
${\hat{y}}_{t j}$ - предсказанный класс для выбранных j наблюдения, использующих из выбранных древовидных t классификации. error устанавливает любые невыбранные наблюдения в выбранном дереве на предсказанный, взвешенный, самый популярный класс по всем откликам обучения. Если существует несколько наиболее популярных классов, error рассматривает тот, который указан первым в ClassNames свойство TreeBagger модель самая популярная.
Если вы задаете 'Mode','Cumulative' тогда взвешенная скорость неправильной классификации является вектором размера T^* содержащие совокупные взвешенные показатели ошибочной классификации по T^* ≤ T выбранные деревья. error следуйте этим шагам, чтобы оценить _et^*, совокупный, взвешенный коэффициент неправильной классификации с использованием первого t выбранных деревьев.
1. Для выбранных j наблюдения j = 1,..., n, error оценки ${\hat{y}}_{bag, t j}$ , взвешенный, самый популярный класс среди первых t выбранных деревьев (для получения дополнительной информации см. predict). Для этого расчета, error использует веса дерева.
2. error оценивает совокупный, взвешенный уровень неправильной классификации через древовидные t.
  
  $e_{t}^{*} = \frac{1}{\sum_{j = 1}^{n} w_{j}} \sum_{j = 1}^{n} w_{j} I (y_{j} \neq {\hat{y}}_{bag, t j}) .$
  error устанавливает любые наблюдения, которые не выбраны для всех выбранных деревьев, в предсказанный, взвешенный, самый популярный класс по всем откликам обучения. Если существует несколько наиболее популярных классов, error рассматривает тот, который указан первым в ClassNames свойство TreeBagger модель самая популярная.
Если вы задаете 'Mode','Ensemble', тогда взвешенная скорость неправильной классификации является последним элементом совокупного, взвешенного вектора скорости неправильной классификации.

См. также

CompactTreeBagger | predict

Документация

error

Синтаксис

Описание

Алгоритмы

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка