resubPredict
使用训练数据训练分类器进行分类
语法
描述
例子
标签朴素贝叶斯分类器的训练样本的观察
加载fisheriris数据集创建。X作为一个数字矩阵,包含四个测量150虹膜。创建Y作为一个单元阵列包含相应的特征向量的虹膜的物种。
负载fisheririsX =量;Y =物种;rng (“默认”)%的再现性
使用预测训练朴素贝叶斯分类器X和类标签Y。推荐的做法是指定类名。fitcnb假定每一个预测是有条件和正态分布。
Mdl = fitcnb (X, Y,“类名”,{“setosa”,“多色的”,“virginica”})
Mdl = ClassificationNaiveBayes ResponseName:‘Y’CategoricalPredictors:[]类名:{“setosa”“杂色的”“virginica”} ScoreTransform:“没有一个”NumObservations: 150 DistributionNames:{“正常”“正常”“正常”“正常”}DistributionParameters: {} 3 x4细胞属性,方法
Mdl是一个培训ClassificationNaiveBayes分类器。
预测训练样本的标签。
标签= resubPredict (Mdl);
显示结果为一组随机的10的观察。
idx = randsample(大小(X, 1), 10);表(Y (idx)、标签(idx),“VariableNames”,…{“真正的标签”,“预测标签”})
ans =10×2表真正售予标签预测标签* * * {‘virginica} {‘virginica} {‘setosa} {‘setosa} {‘virginica} {‘virginica}{“癣”}{“癣”}{‘virginica} {‘virginica}{“癣”}{“癣”}{‘virginica} {‘virginica} {‘setosa} {‘setosa} {‘virginica} {‘virginica} {‘setosa} {' setosa '}
创建一个混乱图表从真正的标签Y和预测的标签标签。
厘米= confusionchart (Y,标签);
估计样本的后验概率支持向量机分类器
加载电离层数据集。这个数据集有34个预测因子和351二进制响应雷达回报,要么坏(“b”)或好(‘g’)。
负载电离层
训练支持向量机(金宝appSVM)分类器。标准化的数据并指定‘g’是积极的类。
SVMModel = fitcsvm (X, Y,“类名”,{“b”,‘g’},“标准化”,真正的);
SVMModel是一个ClassificationSVM分类器。
符合最优score-to-posterior-probability转换功能。
rng (1);%的再现性ScoreSVMModel = fitPosterior (SVMModel)
ScoreSVMModel = ClassificationSVM ResponseName:‘Y’CategoricalPredictors:[]类名:{b ' g '} ScoreTransform:“@ (S)乙状结肠(e-01 e-01年代,-9.482430,-1.217774)的NumObservations: 351α:[90 x1双]偏见:-0.1342 KernelParameters: [1 x1 struct]μ:[0.8917 0 0.6413 0.0444 0.6011 0.1159 0.5501 0.1194 0.5118 0.1813 0.4762 0.1550 0.4008 0.0934 0.3442 0.0711 0.3819 -0.0036 0.3594 -0.0240 0.3367 0.0083 0.3625 -0.0574 0.3961 -0.0712 0.5416 -0.0695 0.3784 -0.0279 0.3525……σ:[0.3112 0 0.4977 0.4414 0.5199 0.4608 0.4927 0.5207 0.5071 0.4839 0.5635 0.4948 0.6222 0.4949 0.6528 0.4584 0.6180 0.4968 0.6263 0.5191 0.6098 0.5182 0.6038 0.5275 0.5785 0.5085 0.5162 0.5500 0.5759 0.5080 0.5715 0.5136……]BoxConstraints: x1双[351]ConvergenceInfo: [1 x1 struct] IsSupport金宝appVector: x1逻辑[351]解算器:SMO的属性,方法
类是分不开的,因为分数转换函数(ScoreSVMModel.ScoreTransform)是乙状结肠函数。
估计分数和积极的训练数据类的后验概率。前十的观察显示结果。
(标签,分数)= resubPredict (SVMModel);[~,postProbs] = resubPredict (ScoreSVMModel);表(Y(1:10),标签(1:10),分数(1:10),2),postProbs (1:10), 2),“VariableNames”,…{“TrueLabel”,“PredictedLabel”,“分数”,“PosteriorProbability”})
ans =10×4表_________ ____________________ TrueLabel PredictedLabel得分PosteriorProbability _____ * * * {‘g’} {‘g’} 1.4862 - 0.82216 {b} {b} -1.0003 - 0.30433 {‘g’} {‘g’} 1.8685 - 0.86917 {b} {b} -2.6457 - 0.084171 {‘g’} {‘g’} 1.2807 - 0.79186 {b} {b} -1.4616 - 0.22025 {‘g’} {‘g’} 2.1674 - 0.89816 {b} {b} -5.7085 - 0.00501 {‘g’} {‘g’} 2.4798 - 0.92224 {b} {b} -2.7812 - 0.074781
检查分对数比较gam的后验概率
估计后验概率的分对数(训练数据分类分数)使用分类广义相加模型(GAM)包含预测的线性和交互方面。指定是否要包括交互条款计算分类时的分数。
加载电离层数据集。这个数据集有34个预测因子和351二进制响应雷达回报,要么坏(“b”)或好(‘g’)。
负载电离层
使用预测训练GAMX和类标签Y。推荐的做法是指定类名。指定包含10个最重要的互动。
Mdl = fitcgam (X, Y,“类名”,{“b”,‘g’},“互动”,10)
Mdl = ClassificationGAM ResponseName:‘Y’CategoricalPredictors:[]类名:{b ' g '} ScoreTransform:分对数的截距:3.2565交互:[10 x2双]NumObservations: 351属性,方法
Mdl是一个ClassificationGAM模型对象。
预测标签使用线性和交互术语,然后只使用线性条件。排除交互条件,指定“IncludeInteractions”,假的。估计后验概率通过指定的分对数ScoreTransform财产“没有”。
Mdl。ScoreTransform =“没有”;(标签、分数)= resubPredict (Mdl);[labels_nointeraction, scores_nointeraction] = resubPredict (Mdl,“IncludeInteractions”、假);
创建一个表包含真正的标签,标签,预测和分数。显示表的前八行。
t =表(Y,标签,分数,labels_nointeraction scores_nointeraction,…“VariableNames”,{“真正的标签”,“预测标签”,“分数”…“预测标签没有交互”,的分数没有相互作用的});头(t)
真正的标签标签预测分数预测标签没有交互的分数没有交互___________ ___________ _____________ _____________________________________ ___________________________ {‘g’} {‘g’} -51.628 - 51.628 -47.676 - 47.676 {‘g’} {b} {b} 37.433 - -37.433 36.435 - -36.435 {b} {‘g’} {‘g’} -62.061 - 62.061 -58.357 - 58.357 {‘g’} {b} {b} 37.666 - -37.666 36.297 - -36.297 {b} {‘g’} {‘g’} -47.361 - 47.361 -43.373 - 43.373 {‘g’} {b} {b} 106.48 - -106.48 102.43 - -102.43 {b} {‘g’} {‘g’} -62.665 - 62.665 -58.377 - 58.377 {‘g’} {b} {b} {b} 197.84 - -197.84 201.46 -201.46
训练数据预测的标签X不取决于交互的包容,但估计分数值是不同的。
样本估计后验概率和误分类代价的朴素贝叶斯分类器
样本估计后验概率和误分类成本使用朴素贝叶斯分类器。
加载fisheriris数据集创建。X作为一个数字矩阵,包含四个花瓣测量150虹膜。创建Y作为一个单元阵列包含相应的特征向量的虹膜的物种。
负载fisheririsX =量;Y =物种;rng (“默认”)%的再现性
使用预测训练朴素贝叶斯分类器X和类标签Y。推荐的做法是指定类名。fitcnb假定每一个预测是有条件和正态分布。
Mdl = fitcnb (X, Y,“类名”,{“setosa”,“多色的”,“virginica”});
Mdl是一个培训ClassificationNaiveBayes分类器。
估计后验概率和预期的错误分类的训练数据的成本。
[标签、后MisclassCost] = resubPredict (Mdl);Mdl.ClassNames
ans =3 x1细胞{' setosa}{“癣”}{' virginica '}
显示结果为10个随机选择的观察。
idx = randsample(大小(X, 1), 10);表(Y (idx)、标签(idx)、后(idx:), MisclassCost (idx:)“VariableNames”,…{“TrueLabel”,“PredictedLabel”,“PosteriorProbability”,“MisclassificationCost”})
ans =10×4表是_____________ _________________________________________ TrueLabel PredictedLabel PosteriorProbability MisclassificationCost * * * ______________________________________ {‘virginica} {‘virginica} 6.2514 e - 269 1.1709 e-09 1 1 1 1.1709 e-09 {‘setosa} {‘setosa} 1 5.5339 2.485 5.5339 e-19 e-25 e-19 1 1 {‘virginica} {‘virginica} 7.4191 e - 249 1.4481平台以及1 1 1 1.4481平台以及{“癣”}{“癣”}3.4472 e - 62 0.99997 3.362 e-05 1 3.362 0.99997 e-05 {‘virginica} {‘virginica} 3.4268 e - 229 6.597 e-09 1 1 1 6.597 e-09{“癣”}{“癣”}6.0941 e - 77 0.9998 0.00019663 1 0.00019663 0.9998 {‘virginica} {‘virginica} 1.3467 e - 167 0.002187 0.99781 1 0.99781 0.002187 {‘setosa} {‘setosa} 1 1.5776 e15汽油5.7172 e-24 1.5776 e15汽油1 1 {‘virginica} {‘virginica} 2.0116 e - 232 2.6206平台以及1 1 1 2.6206平台以及{‘setosa} {‘setosa} 1 1.8085 1.8085 1.9639 e-17 e-24 e-17 1 1
列的顺序后和MisclassCost对应于类的顺序Mdl.ClassNames。
输入参数
输出参数
算法
resubPredict根据相应的计算预测预测的函数对象(Mdl)。模型相关的描述,请参阅预测下面的表函数参考页。
| 模型 | 分类模型对象(Mdl) |
预测目标函数 |
|---|---|---|
| 广义加性模型 | ClassificationGAM |
预测 |
| k最近的邻居模型 | ClassificationKNN |
预测 |
| 朴素贝叶斯模型 | ClassificationNaiveBayes |
预测 |
| 神经网络模型 | ClassificationNeuralNetwork |
预测 |
| 金宝app看到下面成了一和二分类支持向量机 | ClassificationSVM |
预测 |
扩展功能
版本历史
介绍了R2012a
