后验分类概率

打开实时脚本

这个例子展示了如何可视化朴素贝叶斯分类模型预测的后验分类概率。

加载费雪的虹膜数据集。

负载fisheririsX = meas(:，1:2);Y =物种;标签=唯一的(Y);

X是一个数字矩阵，包含150个鸢尾花的两个花瓣测量值。Y是包含相应虹膜种类的特征向量的单元格数组。

使用散点图可视化数据。将变量按虹膜种类分组。

图;gscatter(X(:，1)， X(:，2)，“rgb”，osd的）;包含(“花萼长度”）;ylabel (萼片宽的）;

图中包含一个轴对象。axis对象包含3个line类型的对象。这些物品代表了setosa, versicolica, virgica。

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。数据X (: 1)范围在4.3到7.9之间。数据X (:, 2)范围在2到4.4之间。

[xx1, xx2] = meshgrid(4:.01:8,2:.01:4.5);XGrid = [xx1(:) xx2(:)];

预测虹膜的种类和后验分类概率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）;彩色条视图(2)保持从

图中包含一个轴对象。axis对象包含3个surface类型的对象。

观察结果越接近决策面，数据属于某个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)持有从

图中包含一个轴对象。标题为Classification Probability的坐标轴对象包含3个类型为surface的对象。这些物品代表了setosa, versicolica, virgica。

后验分类概率

另请参阅

功能

对象

相关的话题