Exponenta Banner

margin

Поля классификации

расширьте все на странице

Синтаксис

M = margin(ens,tbl,ResponseVarName)
M = margin(ens,tbl,Y)
M = margin(ens,X,Y)
M = margin(___Name,Value)

Описание

M = margin(ens,tbl,ResponseVarName) возвращает поле классификации для предсказаний ens на данных tbl, когда истинными классификациями является tbl.ResponseVarName.

M = margin(ens,tbl,Y) возвращает поле классификации для предсказаний ens на данных tbl, когда истинными классификациями является Y.

M = margin(ens,X,Y) возвращает поле классификации для предсказаний ens на данных X, когда истинными классификациями является Y.

M = margin(___Name,Value) вычисляет поле с дополнительными опциями, заданными одним или несколькими Name,Value парные аргументы, с помощью любого из предыдущих синтаксисов.

Входные параметры

ens

Ансамбль классификации, созданный с fitcensemble, или компактный ансамбль классификации создается с compact.

tbl

Выборочные данные в виде таблицы. Каждая строка tbl соответствует одному наблюдению, и каждый столбец соответствует одному переменному предиктору. tbl должен содержать все предикторы, используемые, чтобы обучить модель. Многостолбцовые переменные и массивы ячеек кроме массивов ячеек из символьных векторов не позволены.

Если вы обучили ens использование выборочных данных содержится в table, затем входные данные для этого метода должны также быть в таблице.

ResponseVarName

Имя переменной отклика в виде имени переменной в tbl.

Необходимо задать ResponseVarName как вектор символов или строковый скаляр. Например, если переменная отклика Y хранится как tbl.Y, затем задайте его как 'Y'. В противном случае программное обеспечение обрабатывает все столбцы tbl, включая Y, как предикторы, когда обучение модель.

X

Матрица данных, чтобы классифицировать. Каждая строка X представляет одно наблюдение, и каждый столбец представляет один предиктор. X должен иметь одинаковое число столбцов, когда данные раньше обучали ensX должен иметь одинаковое число строк как число элементов в Y.

Если вы обучили ens с помощью выборочных данных, содержавшихся в матрице, затем, входные данные для этого метода должны также быть в матрице.

Y

Метки класса наблюдений в tbl или XY должен иметь тот же тип, как классификация раньше обучала ens, и его число элементов должно равняться количеству строк tbl или X.

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

UseObsForLearner

Логическая матрица размера N- T, где:

  • N количество строк X.

  • T количество слабых учеников в ens.

Когда UseObsForLearner(i,j) true, ученик j используется в предсказании класса строки i из X.

Значение по умолчанию: true(N,T)

Выходные аргументы

M

Числовой вектор-столбец с одинаковым числом строк как tbl или X. Каждая строка M дает поле классификации для той строки tbl или X.

Примеры

развернуть все

Скрипт Open Live Script

Найдите поле для классификации среднего цветка от fisheriris данные как 'versicolor'.

Загрузите ирисовый набор данных Фишера.

load fisheriris

Обучите ансамбль 100 повышенных деревьев классификации с помощью AdaBoostM2.

t = templateTree('MaxNumSplits',1); % Weak learner template tree object
ens = fitcensemble(meas,species,'Method','AdaBoostM2','Learners',t);

Классифицируйте средний цветок и найдите поле классификации.

flower = mean(meas);
predict(ens,flower)
ans = 1x1 cell array
    {'versicolor'}


margin(ens,flower,'versicolor')
ans = 3.2140

Больше о

развернуть все

Расширенные возможности

Смотрите также

| |

Документация Statistics and Machine Learning Toolbox

Поддержка