edge

Ребро классификации

Синтаксис

E = edge(tree,TBL,ResponseVarName)

E = edge(tree,X,Y)

E = edge(___,Name,Value)

Описание

E = edge(tree,TBL,ResponseVarName) возвращает ребро классификации для tree с данными TBL и классификация TBL.ResponseVarName.

E = edge(tree,X,Y) возвращает ребро классификации для tree с данными X и классификация Y.

E = edge(___,Name,Value) вычисляет ребро с дополнительными опциями, заданными одним или несколькими Name,Value парные аргументы, с помощью любого из предыдущих синтаксисов. Например, можно задать веса наблюдения.

Входные параметры

развернуть все

`tree` — Обученное дерево классификации
`ClassificationTree` объект модели | `CompactClassificationTree` объект модели

Обученное дерево классификации в виде ClassificationTree или CompactClassificationTree объект модели. Таким образом, tree обученная модель классификации, возвращенная fitctree или compact.

`TBL` — Выборочные данные
таблица

Выборочные данные в виде таблицы. Каждая строка TBL соответствует одному наблюдению, и каждый столбец соответствует одному переменному предиктору. Опционально, TBL может содержать дополнительные столбцы для весов наблюдения и переменной отклика. TBL должен содержать все предикторы, используемые, чтобы обучить tree. Многостолбцовые переменные и массивы ячеек кроме массивов ячеек из символьных векторов не позволены.

Если TBL содержит переменную отклика, используемую, чтобы обучить tree, затем вы не должны задавать ResponseVarName или Y.

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

Типы данных: table

`X` — Данные, чтобы классифицировать
числовая матрица

Данные, чтобы классифицировать в виде числовой матрицы. Каждая строка X представляет одно наблюдение, и каждый столбец представляет один предиктор. X должен иметь одинаковое число столбцов, когда данные раньше обучали treeX должен иметь одинаковое число строк как число элементов в Y.

Типы данных: single | double

`ResponseVarName` — Имя переменной отклика
имя переменной в `TBL`

Имя переменной отклика в виде имени переменной в TBL. Если TBL содержит переменную отклика, используемую, чтобы обучить tree, затем вы не должны задавать ResponseVarName.

Если вы задаете ResponseVarName, затем необходимо сделать так как вектор символов или строковый скаляр. Например, если переменная отклика хранится как TBL.Response, затем задайте его как 'Response'. В противном случае программное обеспечение обрабатывает все столбцы TBL, включая TBL.ResponseVarName, как предикторы.

Переменная отклика должна быть категориальным, символом, или массивом строк, логическим или числовым вектором или массивом ячеек из символьных векторов. Если переменная отклика является символьным массивом, то каждый элемент должен соответствовать одной строке массива.

Типы данных: char | string

`Y` — Метки класса
категориальный массив | символьный массив | массив строк | логический вектор | числовой вектор | массив ячеек из символьных векторов

Класс помечает в виде категориального, символа, или массива строк, логического или числового вектора или массива ячеек из символьных векторов. Y должен иметь тот же тип, как классификация раньше обучала tree, и его число элементов должно равняться количеству строк 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.

`Weights` — Веса наблюдения
`ones(size(X,1),1)` (значение по умолчанию) | имя переменной в `TBL` | числовой вектор

Веса наблюдения в виде разделенной запятой пары, состоящей из 'Weights' и числовой вектор или имя переменной в TBL.

Если вы задаете Weights как числовой вектор, затем размер Weights должно быть равно количеству строк в X или TBL.

Если вы задаете Weights как имя переменной в TBL, необходимо сделать так как вектор символов или строковый скаляр. Например, если веса хранятся как TBL.W, затем задайте его как 'W'. В противном случае программное обеспечение обрабатывает все столбцы TBL, включая TBL.W, как предикторы.

Если вы предоставляете веса, edge вычисляет взвешенное ребро классификации. Программное обеспечение взвешивает наблюдения в каждой строке X или TBL с соответствующим весом в Weights.

Типы данных: single | double | char | string

Выходные аргументы

развернуть все

`E` — Ребро классификации
скалярное значение

Ребро классификации, возвращенное как скаляр, представляющий средневзвешенное значение поля.

Примеры

Вычислите поле классификации и ребро для ирисовых данных Фишера, обученных на его первых двух столбцах данных, и просмотрите последние 10 записей:

load fisheriris
X = meas(:,1:2);
tree = fitctree(X,species);
E = edge(tree,X,species)

E =
    0.6299

M = margin(tree,X,species);
M(end-10:end)

Дерево классификации, обученное на всех данных, лучше.

tree = fitctree(meas,species);
E = edge(tree,meas,species)

E =
    0.9384

M = margin(tree,meas,species);
M(end-10:end)

Больше о

развернуть все

Поле

Классификация margin является различием между классификацией score для истинного класса и максимальной классификационной оценкой для ложных классов. Поле является вектор-столбцом с одинаковым числом строк как матричный X.

Счет (дерево)

Для деревьев score классификации вершины является апостериорной вероятностью классификации в том узле. Апостериорная вероятность классификации в узле является количеством обучающих последовательностей, которые приводят к тому узлу с классификацией, разделенной на количество обучающих последовательностей, которые приводят к тому узлу.

Например, считайте классификацию предиктора X как true когда X< 0.15 или X> 0.95 , и X является ложным в противном случае.

Сгенерируйте 100 случайных точек и классифицируйте их:

rng(0,'twister') % for reproducibility
X = rand(100,1);
Y = (abs(X - .55) > .4);
tree = fitctree(X,Y);
view(tree,'Mode','Graph')

Сократите дерево:

tree1 = prune(tree,'Level',1);
view(tree1,'Mode','Graph')

Сокращенное дерево правильно классифицирует наблюдения, которые меньше 0.15 как true. Это также правильно классифицирует наблюдения от.15 до.94 как false. Однако это неправильно классифицирует наблюдения, которые больше.94 как false. Поэтому счет к наблюдениям, которые больше.15, должен быть о.05/.85 =. 06 для true, и о.8/.85 =. 94 для false.

Вычислите музыку предсказания к первым 10 строкам X:

[~,score] = predict(tree1,X(1:10));
[score X(1:10,:)]

ans = 10×3

    0.9059    0.0941    0.8147
    0.9059    0.0941    0.9058
         0    1.0000    0.1270
    0.9059    0.0941    0.9134
    0.9059    0.0941    0.6324
         0    1.0000    0.0975
    0.9059    0.0941    0.2785
    0.9059    0.0941    0.5469
    0.9059    0.0941    0.9575
    0.9059    0.0941    0.9649

Действительно, каждое значение X (крайний правый столбец), который меньше 0.15, сопоставил баллы (левые и центральные столбцы) 0 и 1, в то время как другие значения X сопоставили множество 0.91 и 0.09. Различие (выигрывают 0.09 вместо ожидаемого .06) происходит из-за статистического колебания: существует 8 наблюдения в X в области значений (.95,1) вместо ожидаемого 5 наблюдения.

Ребро

edge является значением взвешенного среднего поля классификации. Веса являются вероятностями класса в tree.Prior. Если вы предоставляете веса в weights пара "имя-значение", те веса нормированы, чтобы суммировать к априорным вероятностям в соответствующих классах и затем используются для расчета взвешенное среднее.

Расширенные возможности

"Высокие" массивы
Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Эта функция полностью поддерживает "высокие" массивы. Для получения дополнительной информации см. Раздел "Высокие массивы".

Массивы графического процессора
Ускорьте код путем работы графического процессора (GPU) с помощью Parallel Computing Toolbox™.

Указания и ограничения по применению:

edge выполняется на графическом процессоре в этих случаях только:
- Входной параметр X gpuArray.
- Входной параметр tbl содержит gpuArray переменные предикторы.
- Входной параметр mdl было оснащено входными параметрами графического процессора массивов.
Если модель дерева классификации была обучена с суррогатными разделениями, эти ограничения применяются:
- Вы не можете задать входной параметр X как gpuArray.
- Вы не можете задать входной параметр tbl как таблица, содержащая gpuArray элементы.

Для получения дополнительной информации смотрите функции MATLAB Запуска на графическом процессоре (Parallel Computing Toolbox).

Документация

edge

Синтаксис

Описание

Входные параметры

`tree` — Обученное дерево классификации
`ClassificationTree` объект модели | `CompactClassificationTree` объект модели

`TBL` — Выборочные данные
таблица

`X` — Данные, чтобы классифицировать
числовая матрица

`ResponseVarName` — Имя переменной отклика
имя переменной в `TBL`

`Y` — Метки класса
категориальный массив | символьный массив | массив строк | логический вектор | числовой вектор | массив ячеек из символьных векторов

Аргументы name-value

`Weights` — Веса наблюдения
`ones(size(X,1),1)` (значение по умолчанию) | имя переменной в `TBL` | числовой вектор

Выходные аргументы

`E` — Ребро классификации
скалярное значение

Примеры

Больше о

Поле

Счет (дерево)

Ребро

Расширенные возможности

"Высокие" массивы
Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Массивы графического процессора
Ускорьте код путем работы графического процессора (GPU) с помощью Parallel Computing Toolbox™.

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

edge

Синтаксис

Описание

Входные параметры

tree — Обученное дерево классификации ClassificationTree объект модели | CompactClassificationTree объект модели

TBL — Выборочные данные таблица

X — Данные, чтобы классифицировать числовая матрица

ResponseVarName — Имя переменной отклика имя переменной в TBL

Y — Метки класса категориальный массив | символьный массив | массив строк | логический вектор | числовой вектор | массив ячеек из символьных векторов

Аргументы name-value

Weights — Веса наблюдения ones(size(X,1),1) (значение по умолчанию) | имя переменной в TBL | числовой вектор

Выходные аргументы

E — Ребро классификации скалярное значение

Примеры

Больше о

Поле

Счет (дерево)

Ребро

Расширенные возможности

"Высокие" массивы Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Массивы графического процессора Ускорьте код путем работы графического процессора (GPU) с помощью Parallel Computing Toolbox™.

Смотрите также

Документация Statistics and Machine Learning Toolbox

Поддержка

`tree` — Обученное дерево классификации
`ClassificationTree` объект модели | `CompactClassificationTree` объект модели

`TBL` — Выборочные данные
таблица

`X` — Данные, чтобы классифицировать
числовая матрица

`ResponseVarName` — Имя переменной отклика
имя переменной в `TBL`

`Y` — Метки класса
категориальный массив | символьный массив | массив строк | логический вектор | числовой вектор | массив ячеек из символьных векторов

`Weights` — Веса наблюдения
`ones(size(X,1),1)` (значение по умолчанию) | имя переменной в `TBL` | числовой вектор

`E` — Ребро классификации
скалярное значение

"Высокие" массивы
Осуществление вычислений с массивами, которые содержат больше строк, чем помещается в памяти.

Массивы графического процессора
Ускорьте код путем работы графического процессора (GPU) с помощью Parallel Computing Toolbox™.