resubLoss

由resubstitution分类错误

语法

L = resubLoss(实体) L = resubLoss(实体、名称、值)

描述

l= resubLoss (实体)返回resubstitution损失,这意味着损失计算的数据fitcensemble用于创建实体。

l= resubLoss (实体,名称,值)计算损失由一个或多个指定附加选项名称,值对参数。您可以指定几个名称-值对参数在任何顺序Name1 Value1,…,的家。

输入参数

`实体`	创建一个分类的整体造型`fitcensemble`。

名称-值参数

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

R2021a之前,用逗号来分隔每一个名称和值,并附上的名字在报价。

学习者

指数整体从薄弱的学习者1来实体.NumTrained。resubLoss只使用这些学习者计算损失。

默认值:1:NumTrained

lossfun

损失函数,指定为逗号分隔组成的“LossFun”和一个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。指定一个使用其相应的特征向量或字符串标量。

价值	描述
`“binodeviance”`	二项异常
`“classifcost”`	观察到的误分类代价
`“classiferror”`	被误诊率小数
`“指数”`	指数损失
`“枢纽”`	铰链的损失
`分对数的`	物流损失
`“mincost”`	最小的预期的误分类代价(后验概率的分类评分)
`“二次”`	二次损失

“mincost”适合分类后验概率的分数。

袋装和子空间集合体返回后默认概率(ens.Method是“包”或“子”)。
如果整体方法“AdaBoostM1”,“AdaBoostM2”,GentleBoost,或“LogitBoost”那么,使用后验概率作为分类的分数,你必须指定double-logit通过输入分数变换
```
ens.ScoreTransform =“doublelogit”;
```
对于所有其他搭配方法,软件不支持后验概率作为分类的分数。金宝app

指定你自己的函数使用函数处理符号。
假设n被观察的数量X和K不同的类的数目(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是一个标量。
- 你选择函数名(lossfun)。
- C是一个n——- - - - - -K逻辑矩阵行指示相应的观察所属的类。列顺序对应于类顺序ens.ClassNames。
  构造C通过设置C (p, q) = 1如果观察p是在课堂上问,为每一行。设置所有其他元素的行p来0。
- 年代是一个n——- - - - - -K数字矩阵分类的分数。列顺序对应于类顺序ens.ClassNames。年代分类是一个矩阵得分,类似的输出预测。
- W是一个n1数字的观察向量权重。如果你通过W,软件使他们和规范化1。
- 成本是一个K——- - - - - -K数字矩阵的误分类代价。例如,成本= 1 (K) -眼(K)指定了一个成本0正确的分类,1误分类。
指定你的函数使用“LossFun”@lossfun。

损失函数的更多细节,请参阅分类损失。

默认值:“classiferror”

模式

特征向量或字符串标量输出的代表意义l:

“合奏”- - - - - -l是一个标量值,整个乐团的损失。
“个人”- - - - - -l是一个向量,每训练学习者的一个元素。
“累积”- - - - - -l是一个向量的元素J通过使用学习者1:J输入列表的学习者。

默认值:“合奏”

UseParallel

指示执行并行推理,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™。并行推理可以比串行推理,特别是大型数据集。只支持并行计算树的学习者。金宝app

默认值:假

输出参数

`l`	分类损失默认的比例分类错误的数据。`l`可以是一个向量,可能意味着不同的事情,根据名称-值对设置。

例子

全部展开

估计分类训练观察误差

打开生活的脚本

加载费雪的虹膜数据集。

负载fisheriris

训练一个分类的100使用AdaBoostM2决策树。指定树桩作为弱的学习者。

t = templateTree (“MaxNumSplits”1);实体= fitcensemble(量、种类、“方法”,“AdaBoostM2”,“学习者”t);

估计resubstitution分类错误。

损失= resubLoss(实体)

损失= 0.0333

更多关于

全部展开

分类损失

分类损失函数度量分类模型的预测误差。当你在考虑对比许多相同类型的损失模型,较低的损失表示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。

二进制分类:
- y_j是观察到的类标签。软件代码为1或1,表明消极或积极类(或第一或第二课一会分别属性)。
- f(X_j观察)是positive-class分类评分(行)j预测的数据X。
- 米_j=y_jf(X_j)是分类的分类评分观察j相对应的类y_j。积极的价值观米_j显示正确的分类,不为平均损失作出多少贡献。负的米_j显示不正确的分类和对平均损失作出了重大贡献。
对于支持多级分类的算法(即金宝appK≥3):
- y_j^*是一个向量的K- 1 0与1的位置对应于真实,观察类y_j。例如,如果真正的第二步是第三类的类K= 4,然后y₂^*= (0 0 1 0]′。类的顺序对应订单的一会输入模型的属性。
- f(X_j)是长度K向量类分数的观察j预测的数据X。分数的顺序对应类的顺序一会输入模型的属性。
- 米_j=y_j^*′f(X_j)。因此,米_j的标量分类评分模型预测真实,观察类。
观察的重量j是w_j。软件可实现观察权重,这样他们和前到相应的类存储在概率之前财产。因此,

$\sum_{j = 1}^{n} w_{j} = 1。$

鉴于这种情况,下表描述了支持损失函数,您可以指定使用金宝appLossFun名称-值参数。

损失函数	的价值`LossFun`	方程
二项异常	`“binodeviance”`	$l = \sum_{j = 1}^{n} w_{j} 日志 {1 + 经验值 (- 2 米_{j}]} 。$
观察到的误分类代价	`“classifcost”`	$l = \sum_{j = 1}^{n} w_{j} c_{y_{j} {\hat{y}}_{j}},$ 在哪里 ${\hat{y}}_{j}$ 是最大的类标签对应类分数,然后呢 $c_{y_{j} {\hat{y}}_{j}}$ 分类的用户指定的成本是一个观察到课吗 ${\hat{y}}_{j}$ 当它真正的类y_j。
被误诊率小数	`“classiferror”`	$l = \sum_{j = 1}^{n} w_{j} 我 {{\hat{y}}_{j} \neq y_{j}},$ 在哪里我{·}是指标函数。
叉损失	`“crossentropy”`	`“crossentropy”`只适用于神经网络模型。加权熵损失 $l = - \sum_{j = 1}^{n} \frac{{\tilde{w}}_{j} 日志 (米_{j})}{K n},$ 的权重 ${\tilde{w}}_{j}$ 规范化和吗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”`只有分类是合适的分数是后验概率。软件计算加权最小分类会带来成本使用这个过程观察j= 1,…,n。估计预期的错误分类的分类成本观察X_j到类k: $γ_{j k} = {(f {(X_{j})}^{'} C)}_{k} 。$ f(X_j)的列向量类的后验概率的观察X_j。C中存储的成本矩阵吗`成本`模型的属性。为观察j,预测类标签对应最小的预期的误分类代价: ${\hat{y}}_{j} = \underset{k = 1, …, K}{argmin} γ_{j k} 。$ 使用C识别成本(c_j)进行预测。加权平均的误分类代价最小的预期损失 $l = \sum_{j = 1}^{n} w_{j} c_{j} 。$
二次损失	`“二次”`	$l = \sum_{j = 1}^{n} w_{j} {(1 - 米_{j})}^{2} 。$

如果你使用默认成本矩阵的元素值为0为不正确的分类正确的分类和1),那么损失值“classifcost”,“classiferror”,“mincost”都是相同的。模型与一个默认的成本矩阵,“classifcost”等于损失“mincost”大部分的时间损失。这些损失可以是不同如果预测到最大后验概率的类是不同的从预测到类以最小的预期成本。请注意,“mincost”只有分类是合适的分数是后验概率。

这个图比较了损失函数(除了“classifcost”,“crossentropy”,“mincost”)得分米一个观察。一些函数归一化通过点(0,1)。

扩展功能

自动并行支持金宝app
加速代码通过自动运行并行计算使用并行计算工具箱™。

并行运行,设置UseParallel名称-值参数真正的在调用这个函数。

关于并行计算的更一般的信息,请参阅MATLAB函数自动并行支持运行金宝app(并行计算工具箱)。

你不能使用UseParallel与GPU数组。

GPU数组
加速代码运行在一个图形处理单元(GPU)使用并行计算工具箱™。

使用笔记和限制:

你不能使用UseParallel与GPU数组。

有关更多信息,请参见运行在GPU MATLAB函数(并行计算工具箱)。

版本历史

全部展开

R2022a:`resubLoss`返回一个不同的值与默认的成本矩阵模型

如果你指定一个默认的成本矩阵训练输入模型对象时,resubLoss函数返回一个不同的值与以前版本相比。

的resubLoss函数使用存储在观察权重W财产。此外,函数使用矩阵的存储成本成本如果你指定属性LossFun名称-值参数为“classifcost”或“mincost”。这个函数使用的方式W和成本属性值没有改变。然而,属性值存储在一个模型的输入模型对象改变了默认的成本矩阵,所以函数可以返回不同的值。

属性值变化的细节,请参阅成本属性存储指定的成本矩阵。

如果你想要处理的软件成本矩阵,先验概率,和观察权重在以前的版本中,调整默认的成本的先验概率和观察权重矩阵,描述调整先验概率和观察权重误分类代价矩阵。然后,当你训练一个分类模型,指定调整先验概率和观察权重通过使用之前和权重名称-值参数,分别使用默认成本矩阵。