Подходящие апостериорные вероятности для компактного классификатора машины опорных векторов (SVM)
ScoreSVMModel = fitPosterior(SVMModel,TBL,Y)ScoreSVMModel содержание оптимальной оценки к преобразованию апостериорной вероятности функционирует для изучения 2D класса. Для получения дополнительной информации см. Алгоритмы. Если вы обучаете SVMModel с помощью таблицы затем необходимо использовать таблицу в качестве входа для fitPosterior.
ScoreSVMModel = fitPosterior(SVMModel,X,Y)ScoreSVMModel содержание оптимальной оценки к преобразованию апостериорной вероятности функционирует для изучения 2D класса. Если вы обучаете SVMModel с помощью матрицы затем необходимо использовать матрицу в качестве входа для fitPosterior.
[ дополнительно возвращает оптимальный счет в параметры функции преобразования апостериорной вероятности (ScoreSVMModel,ScoreTransform]
= fitPosterior(___)ScoreTransform) для любой из комбинаций входных аргументов в предыдущих синтаксисах.
Загрузите ionosphere набор данных. Зарезервируйте 20 случайных наблюдений за данными и считайте этот набор новыми данными.
load ionosphere n = size(X,1); rng(1); % For reproducibility indx = ~ismember([1:n],randsample(n,20)); % Indices for the training data
Классы этого набора данных неотделимы.
Обучите классификатор SVM с помощью обучающих данных. Стандартизируйте данные и задайте тот 'g' положительный класс.
SVMModel = fitcsvm(X(indx,:),Y(indx),'ClassNames',{'b','g'},... 'Standardize',true);
SVMModel ClassificationSVM классификатор.
Используйте новый набор данных, чтобы оценить оптимальный счет к функции преобразования апостериорной вероятности для отображения баллов к апостериорной вероятности наблюдения, классифицируемого как g. Для КПД сделайте компактную версию SVMModel, и передайте его и новые данные к fitPosterior.
CompactSVMModel = compact(SVMModel);
[ScoreCSVMModel,ScoreParameters] = fitPosterior(CompactSVMModel,...
X(~indx,:),Y(~indx));
ScoreTransform = ScoreCSVMModel.ScoreTransformScoreTransform = '@(S)sigmoid(S,-1.099032e+00,4.521358e-01)'
ScoreParameters
ScoreParameters = struct with fields:
Type: 'sigmoid'
Slope: -1.0990
Intercept: 0.4521
ScoreTransform оптимальная функция преобразования счета. ScoreParameters массив структур с тремя полями: имя функции преобразования счета (Type), сигмоидальный наклон (Slope), и сигмоидальные оценки точки пересечения (Intercept).
В качестве альтернативы можно передать SVMModel и новые данные к fitSVMPosterior, но этот процесс не так эффективен.
Оцените апостериорные вероятности, что наблюдения в новых данных находятся в классе g.
[labels,postProbs] = predict(ScoreCSVMModel,X(~indx,:)); table(Y(~indx),labels,postProbs(:,2),... 'VariableNames',{'TrueLabel','PredictedLabel','PosteriorProbability'})
ans=20×3 table
TrueLabel PredictedLabel PosteriorProbability
_________ ______________ ____________________
{'g'} {'g'} 0.78441
{'b'} {'b'} 0.024573
{'g'} {'g'} 0.82404
{'b'} {'b'} 0.0061609
{'b'} {'b'} 3.6018e-06
{'b'} {'b'} 0.15688
{'b'} {'g'} 0.96219
{'b'} {'b'} 6.1253e-09
{'b'} {'b'} 0.0019635
{'g'} {'g'} 0.72509
{'g'} {'g'} 0.70264
{'b'} {'b'} 0.075291
{'g'} {'g'} 0.90693
{'g'} {'g'} 0.8285
{'b'} {'b'} 0.051175
{'g'} {'g'} 0.95333
⋮
Загрузите ирисовый набор данных Фишера. Используйте лепестковые длины и ширины как данные о предикторе, и удалите virginica разновидности из данных. Зарезервируйте 10 случайных наблюдений за данными и считайте этот набор новыми данными.
load fisheriris classKeep = ~strcmp(species,'virginica'); X = meas(classKeep,3:4); Y = species(classKeep); rng(1); % For reproducibility indx1 = 1:numel(species); indx2 = indx1(classKeep); indx = ~ismember(indx2,randsample(indx2,10)); % Indices for the training data gscatter(X(indx,1),X(indx,2),Y(indx)); title('Scatter Diagram of Iris Measurements') xlabel('Petal length') ylabel('Petal width') legend('Setosa','Versicolor')
Классы совершенно отделимы. Поэтому счет к функции преобразования апостериорной вероятности является ступенчатой функцией.
Обучите классификатор SVM. Стандартизируйте данные и задайте тот versicolor положительный класс.
SVMModel = fitcsvm(X(indx,:),Y(indx),... 'ClassNames',{'setosa','versicolor'},'Standardize',true);
SVMModel ClassificationSVM классификатор.
Используйте новый набор данных, чтобы оценить оптимальный счет к функции преобразования апостериорной вероятности для отображения баллов к апостериорной вероятности наблюдения, классифицируемого как versicolor. Для КПД сделайте компактную версию SVMModel, и передайте его и новые данные к fitPosterior.
CompactSVMModel = compact(SVMModel);
[ScoreCSVMModel,ScoreParameters] = fitPosterior(CompactSVMModel,...
X(~indx,:),Y(~indx));Warning: Classes are perfectly separated. The optimal score-to-posterior transformation is a step function.
ScoreTransform = ScoreCSVMModel.ScoreTransform
ScoreTransform = '@(S)step(S,-1.338450e+00,2.012495e+00,5.333333e-01)'
fitPosterior выводит предупреждение каждый раз, когда классы отделимы, и хранит ступенчатую функцию в ScoreSVMModel.ScoreTransform.
Отобразите тип функции счета и его ориентировочные стоимости.
ScoreParameters
ScoreParameters = struct with fields:
Type: 'step'
LowerBound: -1.3385
UpperBound: 2.0125
PositiveClassProbability: 0.5333
ScoreParameters массив структур с четырьмя полями:
Выиграйте тип функции преобразования (Type)
Счет, соответствующий отрицательному контуру класса (LowerBound)
Счет, соответствующий положительному контуру класса (UpperBound)
Положительная вероятность класса (PositiveClassProbability)
В качестве альтернативы можно передать SVMModel и новые данные к fitSVMPosterior, но этот процесс не так эффективен.
Оцените апостериорные вероятности, что наблюдения в новых данных являются ирисовыми диафрагмами versicolor.
[labels,postProbs] = predict(ScoreCSVMModel,X(~indx,:)); table(Y(~indx),labels,postProbs(:,2),... 'VariableNames',{'TrueLabel','PredictedLabel','PosteriorProbability'})
ans=10×3 table
TrueLabel PredictedLabel PosteriorProbability
______________ ______________ ____________________
{'setosa' } {'setosa' } 0
{'setosa' } {'setosa' } 0
{'setosa' } {'setosa' } 0
{'setosa' } {'setosa' } 0
{'setosa' } {'setosa' } 0
{'setosa' } {'setosa' } 0
{'setosa' } {'setosa' } 0
{'setosa' } {'setosa' } 0
{'versicolor'} {'versicolor'} 1
{'versicolor'} {'versicolor'} 1
Поскольку классы отделимы, ступенчатая функция преобразовывает счет положительного класса к:
0 если счет меньше ScoreParameters.LowerBound
1 если счет больше ScoreParameters.UpperBound
ScoreParameters.PositiveClassProbability если счет находится в интервале [ScoreParameters.LowerBound , ScoreParameters.LowerBound]
Этот процесс описывает один способ предсказать положительные апостериорные вероятности класса.
Обучите классификатор SVM путем передачи данных fitcsvm. Результатом является обученный классификатор SVM, такой как SVMModel, это хранит данные. Программное обеспечение устанавливает свойство функции преобразования счета (SVMModel.ScoreTransformation) к none.
Передайте обученный классификатор SVM SVMModel к fitSVMPosterior или fitPosterior. Результат, такой как, ScoreSVMModel, обученный классификатор того же самого SVM как SVMModel, кроме программного обеспечения устанавливает ScoreSVMModel.ScoreTransformation к оптимальной функции преобразования счета.
Передайте матрицу данных предиктора и обученный классификатор SVM, содержащий оптимальную функцию преобразования счета (ScoreSVMModel) к predict. Второй столбец во втором выходном аргументе predict хранит положительные апостериорные вероятности класса, соответствующие каждой строке матрицы данных предиктора.
Если вы пропускаете шаг 2, то predict возвращает положительный счет класса, а не положительную апостериорную вероятность класса.
После подбора кривой апостериорным вероятностям можно сгенерировать код C/C++, который предсказывает метки для новых данных. Генерация кода C/C++ требует MATLAB® Coder™. Для получения дополнительной информации смотрите Введение в Генерацию кода.
Программное обеспечение соответствует соответствующему счету к функции преобразования апостериорной вероятности при помощи классификатора SVM SVMModel и путем проведения 10-кратной перекрестной проверки с помощью хранимых данных о предикторе (SVMModel.X) и метки класса (SVMModel.Y), как обрисовано в общих чертах в [1]. Функция преобразования вычисляет апостериорную вероятность, что наблюдение классифицируется в положительный класс (SVMModel.Classnames(2)).
Если классы неотделимы, то функция преобразования является сигмоидальной функцией.
Если классы совершенно отделимы, то функция преобразования является ступенчатой функцией.
В изучении 2D класса, если один из этих двух классов имеет относительную частоту 0, то функция преобразования является постоянной функцией. fitPosterior функция не подходит для изучения одного класса.
Программное обеспечение хранит оптимальный счет к функции преобразования апостериорной вероятности в ScoreSVMModel.ScoreTransform.
Если вы повторно оцениваете счет к функции преобразования апостериорной вероятности, то есть, если вы передаете классификатор SVM fitPosterior или fitSVMPosterior и его ScoreTransform свойством не является none, затем программное обеспечение:
Выводит предупреждение
Сбрасывает исходную функцию преобразования к 'none' прежде, чем оценить новый
Можно также соответствовать оптимальному счету к функции апостериорной вероятности при помощи fitSVMPosterior. Эта функция похожа на fitPosterior, кроме него более широко, потому что это принимает более широкую область значений типов классификатора SVM.
[1] Платт, J. “Вероятностные выходные параметры для машин опорных векторов и сравнений с упорядоченными методами вероятности”. Усовершенствования в Больших Граничных Классификаторах. Кембридж, MA: Нажатие MIT, 2000, стр 61–74.
CompactClassificationSVM | fitcsvm | fitSVMPosterior | predict