Предскажите ответы для новых наблюдений из наивной модели классификации Бейеса для пошагового обучения
label = predict(Mdl,X,Name,Value)Mdl.Cost) для вычислительных предсказаний путем определения Cost аргумент.
[ также возвращает апостериорные вероятности (label,Posterior,Cost] = predict(___)Posterior) и предсказанный (ожидал) затраты misclassification (Cost) соответствие наблюдениям (строки) в X использование любой из комбинаций входных аргументов в предыдущих синтаксисах. Для каждого наблюдения в X, предсказанная метка класса соответствует минимальной ожидаемой стоимости классификации среди всех классов.
Загрузите набор данных деятельности человека.
load humanactivityДля получения дополнительной информации на наборе данных, введите Description в командной строке.
Подбирайте наивную модель классификации Бейеса к целому набору данных.
TTMdl = fitcnb(feat,actid)
TTMdl =
ClassificationNaiveBayes
ResponseName: 'Y'
CategoricalPredictors: []
ClassNames: [1 2 3 4 5]
ScoreTransform: 'none'
NumObservations: 24075
DistributionNames: {1×60 cell}
DistributionParameters: {5×60 cell}
Properties, Methods
TTMdl ClassificationNaiveBayes объект модели, представляющий традиционно обученную модель.
Преобразуйте традиционно обученную модель в наивную модель классификации Бейеса для пошагового обучения.
IncrementalMdl = incrementalLearner(TTMdl)
IncrementalMdl =
incrementalClassificationNaiveBayes
IsWarm: 1
Metrics: [1×2 table]
ClassNames: [1 2 3 4 5]
ScoreTransform: 'none'
DistributionNames: {1×60 cell}
DistributionParameters: {5×60 cell}
Properties, Methods
IncrementalMdl incrementalClassificationNaiveBayes объект модели подготовлен к пошаговому обучению.
incrementalLearner функция инициализирует инкрементного ученика путем передачи изученных условных параметров распределения предиктора ему, наряду с другой информацией TTMdl усвоенный из обучающих данных.
IncrementalMdl является теплым (IsWarm 1), что означает, что функции пошагового обучения могут начать отслеживать показатели производительности.
Инкрементный ученик, созданный из преобразования традиционно обученной модели, может сгенерировать предсказания без последующей обработки.
Предскажите метки класса для всех наблюдений с помощью обеих моделей.
ttlabels = predict(TTMdl,feat); illables = predict(IncrementalMdl,feat); sameLabels = sum(ttlabels ~= illables) == 0
sameLabels = logical
1
Обе модели предсказывают те же метки для каждого наблюдения.
В этом примере показано, как применить затраты misclassification для предсказания метки на входящих фрагментах данных при поддержании сбалансированного misclassification, стоившего за обучение.
Загрузите набор данных деятельности человека. Случайным образом переставьте данные.
load humanactivity n = numel(actid); rng(10); % For reproducibility idx = randsample(n,n); X = feat(idx,:); Y = actid(idx);
Создайте наивную модель классификации Бейеса для пошагового обучения; задайте имена классов. Подготовьте его к predict подбирая модель к первым 10 наблюдениям.
Mdl = incrementalClassificationNaiveBayes(ClassNames=unique(Y)); initobs = 10; Mdl = fit(Mdl,X(1:initobs,:),Y(1:initobs)); canPredict = size(Mdl.DistributionParameters,1) == numel(Mdl.ClassNames)
canPredict = logical
1
Рассмотрите сильно наложение штрафа на модель для "рабочей" неправильной классификации (класса 4). Создайте матрицу стоимости, которая применяет 100 раз штраф за неправильную классификацию выполнения по сравнению с неправильной классификацией любого другого класса. Строки соответствуют истинному классу, и столбцы соответствуют предсказанному классу.
k = numel(Mdl.ClassNames);
Cost = ones(k) - eye(k);
Cost(4,:) = Cost(4,:)*100; % Penalty for misclassifying "running"
CostCost = 5×5
0 1 1 1 1
1 0 1 1 1
1 1 0 1 1
100 100 100 0 100
1 1 1 1 0
Симулируйте поток данных и выполните следующие действия с каждым входящим фрагментом 100 наблюдений.
Вызовите predict предсказать метки для каждого наблюдения во входящем фрагменте данных.
Вызовите predict снова, но задайте затраты misclassification при помощи Cost аргумент.
Вызовите fit подбирать модель к входящему фрагменту. Перезапишите предыдущую инкрементную модель с новой, адаптированной к входящему наблюдению.
numObsPerChunk = 100; nchunk = ceil((n - initobs)/numObsPerChunk); labels = zeros(n,1); cslabels = zeros(n,1); cst = zeros(n,5); cscst = zeros(n,5); % Incremental learning for j = 1:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1 + initobs); iend = min(n,numObsPerChunk*j + initobs); idx = ibegin:iend; [labels(idx),~,cst(idx,:)] = predict(Mdl,X(idx,:)); [cslabels(idx),~,cscst(idx,:)] = predict(Mdl,X(idx,:),Cost=Cost); Mdl = fit(Mdl,X(idx,:),Y(idx)); end labels = labels((initobs + 1):end); cslabels = cslabels((initobs + 1):end);
Сравните предсказанные распределения класса между методами предсказания путем графического вывода гистограмм.
figure; histogram(labels); hold on histogram(cslabels); legend(["Default-cost prediction" "Cost-sensitive prediction"])
Поскольку чувствительный к стоимости метод предсказания штрафует класс 4 неправильной классификации так сильно, больше предсказаний в результат класса 4 по сравнению с методом предсказания, который использует значение по умолчанию, сбалансированную стоимость.
Загрузите набор данных деятельности человека. Случайным образом переставьте данные.
load humanactivity n = numel(actid); rng(10); % For reproducibility idx = randsample(n,n); X = feat(idx,:); Y = actid(idx);
Для получения дополнительной информации на наборе данных, введите Description в командной строке.
Создайте наивную модель классификации Бейеса для пошагового обучения; задайте имена классов. Подготовьте его к predict подбирая модель к первым 10 наблюдениям.
Mdl = incrementalClassificationNaiveBayes('ClassNames',unique(Y));
initobs = 10;
Mdl = fit(Mdl,X(1:initobs,:),Y(1:initobs));
canPredict = size(Mdl.DistributionParameters,1) == numel(Mdl.ClassNames)canPredict = logical
1
Mdl incrementalClassificationNaiveBayes модель. Все его свойства только для чтения. Модель сконфигурирована, чтобы сгенерировать предсказания.
Симулируйте поток данных и выполните следующие действия с каждым входящим фрагментом 100 наблюдений.
Вызовите predict вычислить апостериорные вероятности класса для каждого наблюдения во входящем фрагменте данных.
Рассмотрите инкрементно измерение, как хорошо модель предсказывает, танцует ли предмет (Y, 5). Можно выполнить это путем вычисления AUC кривой ROC, созданной путем передачи, для каждого наблюдения во фрагменте, различии между апостериорной вероятностью класса 5 и максимальной апостериорной вероятностью среди других классов к perfcurve.
Вызовите fit подбирать модель к входящему фрагменту. Перезапишите предыдущую инкрементную модель с новой, адаптированной к входящему наблюдению.
numObsPerChunk = 100; nchunk = floor((n - initobs)/numObsPerChunk) - 1; Posterior = zeros(nchunk,numel(Mdl.ClassNames)); auc = zeros(nchunk,1); classauc = 5; % Incremental learning for j = 1:nchunk ibegin = min(n,numObsPerChunk*(j-1) + 1 + initobs); iend = min(n,numObsPerChunk*j + initobs); idx = ibegin:iend; [~,Posterior(idx,:)] = predict(Mdl,X(idx,:)); diffscore = Posterior(idx,classauc) - max(Posterior(idx,setdiff(Mdl.ClassNames,classauc)),[],2); [~,~,~,auc(j)] = perfcurve(Y(idx),diffscore,Mdl.ClassNames(classauc)); Mdl = fit(Mdl,X(idx,:),Y(idx)); end
Mdl incrementalClassificationNaiveBayes объект модели, обученный на всех данных в потоке.
Постройте AUC на входящих фрагментах данных.
plot(auc) ylabel('AUC') xlabel('Iteration')
AUC предполагает, что классификатор правильно предсказывает танцующие предметы хорошо во время пошагового обучения.