oobPredict

Предскажите ответ из сумки ансамбля

Синтаксис

[label,score] = oobPredict(ens) [label,score] = oobPredict(ens,Name,Value)

Описание

[label,score] = oobPredict(ens) возвращает метки класса и музыку к ens для данных из сумки.

[label,score] = oobPredict(ens,Name,Value) вычисляет метки и баллы с дополнительными опциями, заданными одним или несколькими Name,Value парные аргументы.

Входные параметры

ens

Классификация уволила ансамбль, созданный с fitcensemble.

Аргументы name-value

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

learners

Индексы слабых учеников в ансамбле в пределах от 1 к ens.NumTrained. oobEdge использование только эти ученики для вычисления потери.

Значение по умолчанию: 1:NumTrained

Выходные аргументы

label

Метки классификации совпадающего типа данных как обучающие данные Y. (Программное обеспечение обрабатывает строковые массивы как массивы ячеек из символьных векторов.) Существует N элементы или строки, где N количество учебных наблюдений. Метка является классом с самым высоким счетом. В случае связи метка является самой ранней в ens.ClassNames.

score

N- K числовая матрица для N наблюдения и K классы. Высокий счет указывает, что наблюдение, вероятно, прибудет из этого класса. Баллы находятся в области значений 0 к 1.

Примеры

развернуть все

Найдите ответ из сумки ансамбля классификации

Скрипт Open Live Script

Найдите предсказания из сумки и музыку к ирисовым данным Фишера. Найдите баллы с известной неопределенностью в получившихся классификациях.

Загрузите набор выборочных данных.

load fisheriris

Обучите ансамбль сложенных в мешок деревьев классификации.

ens = fitcensemble(meas,species,'Method','Bag');

Найдите предсказания из сумки и баллы.

[label,score] = oobPredict(ens);

Найдите баллы в области значений (0.2,0.8). Эти баллы имеют известную неопределенность в получившихся классификациях.

unsure = ((score > .2) & (score < .8));
sum(sum(unsure))  % Number of uncertain predictions

ans = 16

Больше о

развернуть все

Из сумки

Bagging, который обозначает “агрегацию начальной загрузки”, является типом приобретения знаний ансамблем. Увольнять слабого ученика, такого как дерево решений на наборе данных, fitrensemble генерирует много копий начальной загрузки набора данных и выращивает деревья решений на этих копиях. fitrensemble получает каждую копию начальной загрузки путем случайного выбора N наблюдения из N с заменой, где N размер набора данных. Найти предсказанный ответ обученного ансамбля, predict берет среднее значение по предсказаниям от отдельных деревьев.

Рисование N из N наблюдения с заменой не используют в среднем 37% (1/e) наблюдений для каждого дерева решений. Это наблюдения "из сумки". Для каждого наблюдения, oobLoss оценивает предсказание из сумки путем усреднения по предсказаниям от всех деревьев в ансамбле, для которого это наблюдение вне сумки. Это затем сравнивает вычисленное предсказание с истинным ответом для этого наблюдения. Это вычисляет ошибку из сумки путем сравнения предсказанных ответов из сумки с истинными ответами для всех наблюдений, используемых для обучения. Это среднее значение из сумки является несмещенным средством оценки истинной ошибки ансамбля.

Выиграйте (ансамбль)

Для ансамблей классификация score представляет доверие классификации в класс. Чем выше счет, тем выше доверие.

Различные алгоритмы ансамбля имеют различные определения для своих баллов. Кроме того, область значений баллов зависит от типа ансамбля. Например:

AdaBoostM1 баллы располагаются от – ∞ к ∞.
Bag баллы лежат в диапазоне от 0 к 1.

Документация