Оцените тестовые поля классификации выборок наивного классификатора Байеса. Поле наблюдения является наблюдаемым истинным счетом класса минус максимальный ложный счет класса среди всех баллов в соответствующем классе.

Загрузите fisheriris набор данных. Создайте X как числовая матрица, которая содержит четыре лепестковых измерения для 150 ирисовых диафрагм. Создайте Y как массив ячеек из символьных векторов, который содержит соответствующие ирисовые разновидности.

load fisheriris
X = meas;
Y = species;
rng('default')  % for reproducibility

Случайным образом наблюдения раздела в набор обучающих данных и набор тестов со стратификацией, с помощью информации о классе в Y. Задайте 30%-ю выборку затяжки для тестирования.

cv = cvpartition(Y,'HoldOut',0.30);

Извлеките обучение и протестируйте индексы.

trainInds = training(cv);
testInds = test(cv);

Задайте наборы тестовых данных и обучение.

XTrain = X(trainInds,:);
YTrain = Y(trainInds);
XTest = X(testInds,:);
YTest = Y(testInds);

Обучите наивный классификатор Байеса с помощью предикторов XTrain и класс маркирует YTrain. Методические рекомендации должны задать имена классов. fitcnb принимает, что каждый предиктор условно и нормально распределен.

Mdl = fitcnb(XTrain,YTrain,'ClassNames',{'setosa','versicolor','virginica'})

Mdl = 
  ClassificationNaiveBayes
              ResponseName: 'Y'
     CategoricalPredictors: []
                ClassNames: {'setosa'  'versicolor'  'virginica'}
            ScoreTransform: 'none'
           NumObservations: 105
         DistributionNames: {'normal'  'normal'  'normal'  'normal'}
    DistributionParameters: {3x4 cell}


  Properties, Methods

Mdl обученный ClassificationNaiveBayes классификатор.

Оцените тестовые поля классификации выборок.

m = margin(Mdl,XTest,YTest);
median(m)

ans = 1.0000

Отобразите гистограмму тестовых полей классификации выборок.

histogram(m,length(unique(m)),'Normalization','probability')
xlabel('Test Sample Margins')
ylabel('Probability')
title('Probability Distribution of the Test Sample Margins')

Предпочтены классификаторы, которые дают к относительно большим полям.

Выполните выбор признаков путем сравнения тестовых демонстрационных полей от многоуровневых моделей. Базирующийся только на этом сравнении, классификатор с самыми высокими полями является лучшей моделью.

Загрузите fisheriris набор данных. Задайте предикторы X и класс маркирует Y.

load fisheriris
X = meas;
Y = species;
rng('default')  % for reproducibility

Случайным образом наблюдения раздела в набор обучающих данных и набор тестов со стратификацией, с помощью информации о классе в Y. Задайте 30%-ю выборку затяжки для тестирования. Partition задает раздел набора данных.

cv = cvpartition(Y,'Holdout',0.30);

Извлеките обучение и протестируйте индексы.

trainInds = training(cv);
testInds = test(cv);

Задайте наборы тестовых данных и обучение.

XTrain = X(trainInds,:);
YTrain = Y(trainInds);
XTest = X(testInds,:);
YTest = Y(testInds);

Задайте эти два набора данных:

fullX = XTrain;
partX = XTrain(:,3:4);

Обучите наивный классификатор Байеса каждому набору предиктора.

fullMdl = fitcnb(fullX,YTrain);
partMdl = fitcnb(partX,YTrain);

fullMdl и partMdl обученный ClassificationNaiveBayes классификаторы.

Оцените тестовые демонстрационные поля для каждого классификатора.

fullM = margin(fullMdl,XTest,YTest);
median(fullM)

ans = 1.0000

partM = margin(partMdl,XTest(:,3:4),YTest);
median(partM)

ans = 1.0000

Отобразите распределение полей для каждой модели с помощью коробчатых диаграмм.

boxplot([fullM partM],'Labels',{'All Predictors','Two Predictors'})
ylim([0.98 1.01]) % Modify the y-axis limits to see the boxes
title('Boxplots of Test Sample Margins')

Поля для fullMdl (вся модель предикторов) и partMdl (две модели предикторов), имеют подобное распределение с той же медианой. partMdl является менее комплексным, но имеет выбросы.