oobLoss

袋外分类错误

展开全部页面

语法

L = oobLoss(ens) L = oobLoss(ens,Name,Value)

描述

l= oobLoss (实体）返回的分类错误实体计算出袋外数据。

l= oobLoss (实体，名称,值）使用一个或多个指定的附加选项计算错误名称,值对参数。您可以以任意顺序指定多个名称-值对参数Name1, Value1,…,的家．

输入参数

`实体`	一种分类袋装集合，用`fitcensemble`．

名称-值参数

指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名称-值参数必须出现在其他参数之后，但对的顺序无关紧要。

在R2021a之前，使用逗号分隔每个名称和值，并将其括起来的名字在报价。

学习者

集成中弱学习器的指标从1来实体.NumTrained．oobLoss仅使用这些学习器来计算损失。

默认值:1: NumTrained

lossfun

损失函数，指定为逗号分隔的对，由“LossFun”和内置的损失函数名或函数句柄。

下表列出了可用的损失函数。使用对应的字符向量或字符串标量指定一个。

价值	描述
`“binodeviance”`	二项异常
`“classifcost”`	观察到的错误分类成本
`“classiferror”`	误分率，十进制
`“指数”`	指数损失
`“枢纽”`	铰链的损失
`分对数的`	物流损失
`“mincost”`	最小预期错误分类成本(对于后验概率的分类分数)
`“二次”`	二次损失

“mincost”适用于后验概率的分类分数。默认情况下，袋装集成返回后验概率作为分类分数。

使用函数句柄表示法指定自己的函数。
假设n的观测数X而且K为不同类的数量(元素个数(ens.ClassNames)，实体是输入模型)。你的函数必须有这个签名
```
lossvalue =lossfun(C、S、W、成本)
```
地点:
- 输出参数lossvalue是标量。
- 选择函数名(lossfun）.
- C是一个n——- - - - - -K逻辑矩阵，行表示对应的观察属于哪个类别。列的顺序对应于类的顺序ens.ClassNames．
  构造C通过设置C(p,q) = 1如果观察p在课堂上问，为每一行。设置row的所有其他元素p来0．
- 年代是一个n——- - - - - -K分类分数的数字矩阵。列的顺序对应于类的顺序ens.ClassNames．年代是一个矩阵的分类分数，类似的输出预测．
- W是一个n-by-1观测权重的数值向量。如果你通过了W时，软件将它们归一化，求和为1．
- 成本是一个K——- - - - - -K错误分类代价的数字矩阵。例如,成本=单位(K) -眼(K)的代价0为了正确的分类，和1误分类。
使用以下命令指定函数“LossFun”@lossfun．

有关损失函数的详细信息，请参见分类损失．

默认值:“classiferror”

模式

表示输出含义的字符向量或字符串标量l：

“合奏”- - - - - -l是一个标量值，整个集合的损失。
“个人”- - - - - -l是一个向量，每个受过训练的学习者有一个元素。
“累积”- - - - - -l向量在哪个元素中J是通过使用学习器获得的吗1: J从学习器的输入列表。

默认值:“合奏”

UseParallel

并行执行推理的指示，指定为假(串行计算)或真正的(并行计算)。并行计算需要并行计算工具箱™。并行推理比串行推理更快，特别是对于大型数据集。并行计算只支持树学习器。金宝app

默认值:假

输出参数

`l`	分类损失在袋外观测值中，一个标量。`l`可以是向量，也可以表示不同的量，这取决于名称-值设置。

例子

全部展开

估计袋外误差

打开实时脚本

加载费雪的虹膜数据集。

负载fisheriris

种一袋100棵分类树。

Ens = fitcensemble(meas,species，“方法”，“包”）;

估计袋外分类误差。

L = oobLoss(ens)

L = 0.0400

更多关于

全部展开

Out of Bag

装袋，代表“引导聚合”，是一种集成学习。为了将一个弱学习器(如决策树)打包到数据集上，fitcensemble生成数据集的许多引导副本，并在这些副本上增长决策树。fitcensemble通过随机选择获取每个引导副本N在N用替换，其中N是数据集大小。为了找到一个训练有素的群体的预测反应，预测对每棵树的预测取平均值。

画N的N替换后的观察平均遗漏37% (1/e)为每个决策树的观测值。这些都是“袋外”的观察结果。对于每一个观察，oobLoss通过对观测结果不可靠的集合中所有树的预测进行平均来估计袋外预测。然后将计算的预测结果与观测结果的真实响应进行比较。它通过比较袋外预测响应与用于训练的所有观察的真实响应来计算袋外误差。这个袋外平均值是真实集合误差的无偏估计量。

分类损失

分类损失函数度量分类模型的预测不准确性。当你在许多模型中比较相同类型的损失时，更低的损失表明一个更好的预测模型。

考虑以下场景。

l是加权平均分类损失。
n是样本容量。

二元分类:
- y_j所观察的类标签。软件将其编码为-1或1，表示负类或正类(或类中的第一类或第二类)一会分别属性)。
- f（X_j)为观察的正类分类分数(行)j预测数据的X．
- 米_j＝y_jf（X_j)为分级观察的分级评分j成类对应y_j．正的值米_j标明正确的分类，对平均损失的贡献不大。的负值米_j标明不正确的分类并对平均损失有重大影响。
对于支持多类分类的算法(即金宝appK≥3)：
- y_j^＊的向量K- 1个零，其中1对应于真实的观察类y_j．例如，如果第二个观测的真类是第三个类和K= 4,然后y₂^＊= (0 0 1 0]“．类的顺序对应于一会属性的输入模型。
- f（X_j)为长度K用于观察的班级分数向量j预测数据的X．分数的顺序对应于表格中班级的顺序一会属性的输入模型。
- 米_j＝y_j^＊”f（X_j）.因此,米_j是模型为真实的、观察到的类预测的标量分类分数。
观察权重j是w_j．该软件将观测权重归一化，使它们与存储在之前财产。因此,

$\sum_{j ＝ 1}^{n} w_{j} ＝ 1.$

方法指定的受支持的损失函数，在下表中描述了这些函数金宝appLossFun名称-值参数。

损失函数	的价值`LossFun`	方程
二项异常	`“binodeviance”`	$l ＝ \sum_{j ＝ 1}^{n} w_{j} 日志｛ 1 + 经验值［ - 2 米_{j} ］｝．$
观察到的错误分类成本	`“classifcost”`	$l ＝ \sum_{j ＝ 1}^{n} w_{j} c_{y_{j} {\overset{＾}{y}}_{j}} ，$ 在哪里 ${\overset{＾}{y}}_{j}$ 类标签是否对应于得分最高的类，以及 $c_{y_{j} {\overset{＾}{y}}_{j}}$ 用户指定的将观察数据分类的成本是多少 ${\overset{＾}{y}}_{j}$ 当它真正的阶级是y_j．
误分率，十进制	`“classiferror”`	$l ＝ \sum_{j ＝ 1}^{n} w_{j} 我｛ {\overset{＾}{y}}_{j} \neq y_{j} ｝，$ 在哪里我｛·}是指示器函数。
叉损失	`“crossentropy”`	`“crossentropy”`仅适用于神经网络模型。加权交叉熵损失为 $l ＝ - \sum_{j ＝ 1}^{n} \frac{{\tilde{w}}_{j} 日志（米_{j} ）}{K n} ，$ 权重在哪里 ${\tilde{w}}_{j}$ 归一化后的和是什么n而不是1。
指数损失	`“指数”`	$l ＝ \sum_{j ＝ 1}^{n} w_{j} 经验值（ - 米_{j} ）．$
铰链的损失	`“枢纽”`	$l ＝ \sum_{j ＝ 1}^{n} w_{j} 马克斯｛ 0 ， 1 - 米_{j} ｝．$
分对数损失	`分对数的`	$l ＝ \sum_{j ＝ 1}^{n} w_{j} 日志（ 1 + 经验值（ - 米_{j} ））．$
最小的预期错误分类成本	`“mincost”`	`“mincost”`仅当分类分数为后验概率时才适用。该软件计算加权最小期望分类成本使用此程序进行观察j= 1,…,n．估计对观测进行分类的预期误分类代价X_j进入课堂k： $γ_{j k} ＝ {（ f {（ X_{j} ）}^{”} C ）}_{k} ．$ f（X_j)为观测的类后验概率列向量X_j．C成本矩阵是否存储在`成本`模型的属性。为观察j，预测最小期望错分类代价对应的类标签: ${\overset{＾}{y}}_{j} ＝ \underset{k ＝ 1 ， .．. ， K}{argmin} γ_{j k} ．$ 使用C，确定所产生的费用(c_j)进行预测。最小期望错分类成本损失的加权平均值为 $l ＝ \sum_{j ＝ 1}^{n} w_{j} c_{j} ．$
二次损失	`“二次”`	$l ＝ \sum_{j ＝ 1}^{n} w_{j} {（ 1 - 米_{j} ）}^{2} ．$

如果使用默认成本矩阵(其元素值为0表示正确分类，1表示错误分类)，则损失值为“classifcost”，“classiferror”,“mincost”都是相同的。对于具有非默认代价矩阵的模型“classifcost”损失等于损失“mincost”大部分时间都在损失。如果对具有最大后验概率的类别的预测与对具有最小期望成本的类别的预测不同，则这些损失可能是不同的。请注意,“mincost”仅当分类分数为后验概率时才适用。

该图比较了损失函数(除“classifcost”，“crossentropy”,“mincost”)超过分数米一个观察结果。一些函数经过点(0,1)被归一化。

扩展功能

自动平行支撑金宝app
通过使用并行计算工具箱™自动并行运行计算来加速代码。

要并行运行，请设置UseParallel参数的名称-值真正的在此函数的调用中。

有关并行计算的更多一般信息，请参见运行MATLAB函数与自动并行支持金宝app(并行计算工具箱)．

版本历史

全部展开

R2022a:`oobLoss`对于具有非默认成本矩阵的模型，返回不同的值

如果在训练输入模型对象时指定非默认代价矩阵，则oobLoss函数返回与以前版本不同的值。

的oobLoss函数使用存储在W财产。函数中存储的代价矩阵成本属性LossFun名称-值参数为“classifcost”或“mincost”．函数使用的方式W而且成本属性值没有改变。但是，对于具有非默认代价矩阵的模型，存储在输入模型对象中的属性值已经更改，因此函数可以返回不同的值。

修改属性值的具体操作请参见Cost属性存储用户指定的成本矩阵．

如果您希望软件像以前版本中那样处理成本矩阵、先验概率和观察权重，请调整非默认成本矩阵的先验概率和观察权重，如中所述调整错误分类成本矩阵的先验概率和观测权重．然后，当你训练一个分类模型，指定调整的先验概率和观察权重使用之前而且权重分别使用名称-值参数，并使用默认代价矩阵。