图后验分类概率
这个例子展示了如何可视化由朴素贝叶斯分类模型预测的后验分类概率。
载入Fisher的虹膜数据集。
负载fisheririsX = meas(:,1:2);Y =物种;标签= unique(Y);
X
是一个数字矩阵,其中包含150个虹膜的两个花瓣测量值。Y
是包含相应虹膜种类的字符向量的单元数组。
使用散点图可视化数据。按鸢尾种类对变量进行分组。
图;gscatter(X(:,1), X(:,2), species,“rgb”,osd的);包含(“花萼长度”);ylabel (萼片宽的);
训练一个朴素贝叶斯分类器。
mdl = fitcnb(X,Y);
mdl
是受过训练的ClassificationNaiveBayes
分类器。
在数据的某些边界内创建一个跨越整个空间的点网格。中的数据X (: 1)
在4.3到7.9之间。中的数据X (:, 2)
取值范围2到4.4。
[xx1, xx2] = meshgrid(4:.01:8,2:.01:4.5);XGrid = [xx1(:) xx2(:)];
预测虹膜种类和后验类的概率XGrid
使用mdl
.
[predictedspecies,Posterior,~] = predict(mdl,XGrid);
绘制每个物种的后验概率分布。
Sz = size(xx1);s = max(Posterior,[],2);图保存在冲浪(民、xx2重塑(后(:1)、深圳),“EdgeColor”,“没有”)冲浪(民、xx2重塑(后(:,2),深圳),“EdgeColor”,“没有”)冲浪(民、xx2重塑(后(:,3)、深圳),“EdgeColor”,“没有”)包含(“花萼长度”);ylabel (萼片宽的);Colorbar视图(2)保持从
观察越接近决策面,数据属于某一物种的可能性就越小。
分别绘制分类概率分布。
图(“单位”,“归一化”,“位置”, 0.25, 0.55, 0.4, 0.35);持有在冲浪(民、xx2重塑(后(:1)、深圳),“FaceColor”,“红色”,“EdgeColor”,“没有”)冲浪(民、xx2重塑(后(:,2),深圳),“FaceColor”,“蓝”,“EdgeColor”,“没有”)冲浪(民、xx2重塑(后(:,3)、深圳),“FaceColor”,“绿色”,“EdgeColor”,“没有”)包含(“花萼长度”);ylabel (萼片宽的);zlabel (“概率”);传奇(标签)标题(“分类概率”alpha(0.2)视图(3)保持从