Exponenta Banner
exponenta event banner

kfoldEdge

Ребро классификации для перекрестной подтвержденной модели классификации

свернуть все на странице

    Синтаксис

    E = kfoldEdge(CVMdl)
    E = kfoldEdge(CVMdl,Name,Value)

    Описание

    пример

    E = kfoldEdge(CVMdl) возвращает ребро классификации, полученное перекрестной подтвержденной моделью CVMdl классификации. Для каждого сгиба, kfoldEdge вычисляет ребро классификации для наблюдений сгиба валидации с помощью классификатора, обученного на наблюдениях учебного сгиба. CVMdl.X и CVMdl.Y содержите оба набора наблюдений.

    E = kfoldEdge(CVMdl,Name,Value) возвращает ребро классификации с дополнительными опциями, заданными одними или несколькими аргументами name-value. Например, задайте сгибы, чтобы использовать или задать, чтобы вычислить ребро классификации для каждого отдельного сгиба.

    Примеры

    свернуть все

    Скрипт Open Live Script

    Вычислите ребро k-сгиба для модели, обученной на ирисовых данных Фишера.

    Загрузите ирисовый набор данных Фишера.

    load fisheriris

    Обучите классификатор дерева классификации.

    tree = fitctree(meas,species);

    Перекрестный подтвердите классификатор с помощью 10-кратной перекрестной проверки.

    cvtree = crossval(tree);

    Вычислите ребро k-сгиба.

    edge = kfoldEdge(cvtree)
    edge = 0.8578
    Скрипт Open Live Script

    Вычислите ребро k-сгиба для ансамбля, обученного на ирисовых данных Фишера.

    Загрузите набор выборочных данных.

    load fisheriris

    Обучите ансамбль 100 повышенных деревьев классификации.

    t = templateTree('MaxNumSplits',1); % Weak learner template tree object
ens = fitcensemble(meas,species,'Learners',t);

    Создайте перекрестный подтвержденный ансамбль из ens и найдите ребро классификации.

    rng(10,'twister') % For reproducibility
cvens = crossval(ens);
E = kfoldEdge(cvens)
    E = 3.2033

    Входные параметры

    свернуть все

    Перекрестный подтвержденный разделенный классификатор в виде ClassificationPartitionedModel, ClassificationPartitionedEnsemble, или ClassificationPartitionedGAM объект. Можно создать объект двумя способами:

    • Передайте обученную модель классификации, перечисленную в следующей таблице к crossval объектная функция.

    • Обучите модель классификации использование функции, перечисленной в следующей таблице, и задайте одни из аргументов name-value перекрестной проверки для функции.

    Модель классификацииФункция
    ClassificationDiscriminantfitcdiscr
    ClassificationEnsemblefitcensemble
    ClassificationGAMfitcgam
    ClassificationKNNfitcknn
    ClassificationNaiveBayesfitcnb
    ClassificationNeuralNetworkfitcnet
    ClassificationSVMfitcsvm
    ClassificationTreefitctree

    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.

    Пример: kfoldEdge(CVMdl,'Folds',[1 2 3 5]) задает, чтобы использовать первые, вторые, третьи, и пятые сгибы, чтобы вычислить ребро классификации, но исключить четвертый сгиб.

    Сверните индексы, чтобы использовать в виде положительного целочисленного вектора. Элементы Folds должен быть в диапазоне от 1 к CVMdl.KFold.

    Программное обеспечение использует только сгибы, заданные в Folds.

    Пример: 'Folds',[1 4 10]

    Типы данных: single | double

    Отметьте, чтобы включать периоды взаимодействия модели в виде true или false. Этот аргумент допустим только для обобщенной аддитивной модели (GAM). Таким образом, можно задать этот аргумент только когда CVMdl ClassificationPartitionedGAM.

    Значением по умолчанию является true если модели в CVMdl (CVMdl.Trained) содержите периоды взаимодействия. Значением должен быть false если модели не содержат периоды взаимодействия.

    Пример: 'IncludeInteractions',false

    Типы данных: логический

    Уровень агрегации для выхода в виде 'average', 'individual', или 'cumulative'.

    ЗначениеОписание
    'average'Выход является скалярным средним значением по всем сгибам.
    'individual'Выход является вектором из длины k, содержащий одно значение на сгиб, где k является количеством сгибов.
    'cumulative'

    Примечание

    Если вы хотите задать это значение, CVMdl должен быть ClassificationPartitionedEnsemble объект или ClassificationPartitionedGAM объект.

    • Если CVMdl ClassificationPartitionedEnsemble, затем выход является вектором из длины min(CVMdl.NumTrainedPerFold). Каждый элемент j среднее значение по всем сгибам, что функция получает при помощи ансамблей, обученных со слабыми учениками 1:j.

    • Если CVMdl ClassificationPartitionedGAM, затем выходное значение зависит от IncludeInteractions значение.

      • Если IncludeInteractions false, затем L   (1 + min(NumTrainedPerFold.PredictorTrees))- 1 числовой вектор-столбец. Первый элемент L среднее значение по всем сгибам, которое получено только точка пересечения (постоянный) термин.   (j + 1)элемент th L полученное использование среднего значения термина точки пересечения и первого j деревья предиктора на линейный член.

      • Если IncludeInteractions true, затем L   (1 + min(NumTrainedPerFold.InteractionTrees))- 1 числовой вектор-столбец. Первый элемент L среднее значение по всем сгибам, которое получено с помощью точки пересечения (постоянный) термин и все деревья предиктора на линейный член.   (j + 1)элемент th L полученное использование среднего значения термина точки пересечения, всех деревьев предиктора на линейный член и первого j деревья взаимодействия в период взаимодействия.

    Пример: 'Mode','individual'

    Выходные аргументы

    свернуть все

    Ребро классификации, возвращенное в виде числа или числового вектор-столбца.

    • Если Mode 'average', затем E среднее ребро классификации по всем сгибам.

    • Если Mode 'individual', затем E k-by-1 числовой вектор-столбец, содержащий ребро классификации для каждого сгиба, где k является количеством сгибов.

    • Если Mode 'cumulative' и CVMdl ClassificationPartitionedEnsemble, затем E min(CVMdl.NumTrainedPerFold)- 1 числовой вектор-столбец. Каждый элемент j среднее ребро классификации по всем сгибам, что функция получает при помощи ансамблей, обученных со слабыми учениками 1:j.

    • Если Mode 'cumulative' и CVMdl ClassificationPartitionedGAM, затем выходное значение зависит от IncludeInteractions значение.

      • Если IncludeInteractions false, затем L   (1 + min(NumTrainedPerFold.PredictorTrees))- 1 числовой вектор-столбец. Первый элемент L среднее ребро классификации по всем сгибам, которое получено с помощью только точку пересечения (постоянный) термин.   (j + 1)элемент th L полученное использование среднего ребра термина точки пересечения и первого j деревья предиктора на линейный член.

      • Если IncludeInteractions true, затем L   (1 + min(NumTrainedPerFold.InteractionTrees))- 1 числовой вектор-столбец. Первый элемент L среднее ребро классификации по всем сгибам, которое получено с помощью точки пересечения (постоянный) термин и все деревья предиктора на линейный член.   (j + 1)элемент th L полученное использование среднего ребра термина точки пересечения, всех деревьев предиктора на линейный член и первого j деревья взаимодействия в период взаимодействия.

    Больше о

    свернуть все

    Ребро классификации

    classification edge является взвешенным средним classification margins.

    Один способ выбрать среди нескольких классификаторов, например, выполнить выбор признаков, состоит в том, чтобы выбрать классификатор, который дает к самому большому ребру.

    Поле классификации

    classification margin для бинарной классификации, для каждого наблюдения, различия между классификационной оценкой для истинного класса и классификационной оценкой для ложного класса. classification margin для классификации мультиклассов является различием между классификационной оценкой для истинного класса и максимальным счетом к ложным классам.

    Если поля находятся по той же шкале (то есть, значения баллов основаны на том же преобразовании счета), то они служат мерой по доверию классификации. Среди нескольких классификаторов те, которые дают к большим полям, лучше.

    Алгоритмы

    kfoldEdge вычисляет ребро классификации как описано в соответствии edge объектная функция. Для описания модели специфичного смотрите соответствующее edge страница ссылки на функцию в следующей таблице.

    Тип моделиedge Функция
    Классификатор дискриминантного анализаedge
    Классификатор ансамбляedge
    Обобщенный аддитивный классификатор моделиedge
    k- соседний классификаторedge
    Наивный классификатор Байесаedge
    Классификатор нейронной сетиedge
    Классификатор машины опорных векторовedge
    Дерево выбора из двух альтернатив для классификации мультиклассовedge

    Расширенные возможности

    Смотрите также

    | | | |

    Введенный в R2011a

    Документация Statistics and Machine Learning Toolbox

    Поддержка