Использование templateECOC для создания шаблона ECOC по умолчанию.

t = templateECOC()

t = 
Fit template for classification ECOC.

    BinaryLearners: ''
            Coding: ''
      FitPosterior: []
           Options: []
    VerbosityLevel: []
     NumConcurrent: []
           Version: 1
            Method: 'ECOC'
              Type: 'classification'

Все свойства объекта шаблона пусты, кроме Method и Type. Когда ты проходишь t на testckfoldпрограмма заполняет пустые свойства соответствующими значениями по умолчанию. Например, программное обеспечение заполняет BinaryLearners свойство с 'SVM'. Для получения дополнительной информации о других значениях по умолчанию смотрите fitcecoc.

t является планом для учащегося ECOC. Когда вы создаете его, расчет не происходит. Можно пройти t на testckfold для определения плана для модели классификации ECOC для статистического сравнения с другой моделью.

Один из способов выбрать предикторы или функции - обучить две модели, где одна, которая использует подмножество предикторов, которые обучили другую. Статистически сравните прогнозирующие характеристики моделей. Если есть достаточные доказательства того, что модель, обученная на меньшем количестве предикторов, работает лучше, чем модель, обученная с использованием большего количества предикторов, то можно продолжить с более эффективной моделью.

Загрузите набор данных радужки Фишера. Постройте график всех 2-мерных комбинаций предикторов.

load fisheriris
d = size(meas,2); % Number of predictors
pairs = nchoosek(1:d,2)

pairs = 6×2

     1     2
     1     3
     1     4
     2     3
     2     4
     3     4

for j = 1:size(pairs,1)
    subplot(3,2,j)
    gscatter(meas(:,pairs(j,1)),meas(:,pairs(j,2)),species)
    xlabel(sprintf('meas(:,%d)',pairs(j,1)))
    ylabel(sprintf('meas(:,%d)',pairs(j,2)))
    legend off
end

На основе scatterplot, meas(:,3) и meas(:,4) похоже, они хорошо разделяют группы.

Создайте шаблон ECOC. Задайте, чтобы использовать проект кодирования один от всех.

t = templateECOC('Coding','onevsall');

По умолчанию в модели ECOC используются линейные двоичные ученики SVM. Можно выбрать другие поддерживаемые алгоритмы, указав их с помощью 'Learners' аргумент пары "имя-значение".

Проверьте, выполняет ли модель ECOC, которая только что обучена с использованием предикторов 3 и 4, самое большее, а также модель ECOC, которая обучена с использованием всех предикторов. Отклонение этой нулевой гипотезы означает, что модель ECOC, обученная с использованием предикторов 3 и 4, работает лучше, чем модель ECOC, обученная с использованием всех предикторов. Предположим $$C_1$$ представляет классификационную ошибку модели ECOC, обученную с использованием предикторов 3 и 4 и $$C_2$$ представляет ошибку классификации модели ECOC, обученную с использованием всех предикторов, затем тест следующий:

По умолчанию testckfold проводит тест F 5 на 2 k-fold, который не подходит в качестве однохвостого теста. Задайте, чтобы провести тест 5 на 2 k-fold t.

rng(1); % For reproducibility
[h,pValue] = testckfold(t,t,meas(:,pairs(6,:)),meas,species,...
    'Alternative','greater','Test','5x2t')

h = logical
   0

pValue = 0.8940

The h = 0 указывает, что недостаточно доказательств, чтобы предположить, что модель, обученная с использованием предикторов 3 и 4, более точна, чем модель, обученная с использованием всех предикторов.