预测
高斯核分类模型的标签预测
描述
例子
预测训练集标签
使用二进制核分类模型预测训练集标签,并显示结果分类的混淆矩阵。
加载电离层
数据集。该数据集有34个预测器和351个雷达返回的二进制响应,要么是坏的(“b”
)或好(‘g’
).
负载电离层
训练一个二进制内核分类模型,识别雷达返回是否坏(“b”
)或好(‘g’
).
rng (“默认”)%用于再现性Mdl = fitckernel(X,Y);
Mdl
是一个ClassificationKernel
模型。
预测训练集,或重新替换,标签。
label = predict(Mdl,X);
构造一个混淆矩阵。
confusitrain = confusichart (Y,label);
该模型对每一类的雷达回波进行了错误分类。
预测测试集标签
使用二进制内核分类模型预测测试集标签,并显示结果分类的混淆矩阵。
加载电离层
数据集。该数据集有34个预测器和351个雷达返回的二进制响应,要么是坏的(“b”
)或好(‘g’
).
负载电离层
将数据集划分为训练集和测试集。为测试集指定15%的保留样本。
rng (“默认”)%用于再现性分区= cvpartition(Y,“坚持”, 0.15);trainingInds =训练(分区);%训练集的指数testInds = test(分区);%测试集的索引
使用训练集训练一个二进制核分类模型。一个好的实践是定义类的顺序。
Mdl = fitckernel(X(trainingInds,:),Y(trainingInds),“类名”, {“b”,‘g’});
预测训练集标签和测试集标签。
labelTrain = predict(Mdl,X(trainingInds,:));labelTest =预测(Mdl,X(testInds,:));
为训练集构造一个混淆矩阵。
confusitrain = confusichart (Y(trainingInds),labelTrain);
该模型对每个类别只错分类了一个雷达数据。
为测试集构造一个混淆矩阵。
confusitest = confusichart (Y(testInds),labelTest);
该模型错误地将一个糟糕的雷达回报分类为良好的回报,将五个良好的雷达回报分类为糟糕的回报。
估计后验类别概率
估计一个测试集的后验类概率,并通过绘制接收者工作特征(ROC)曲线来确定模型的质量。核分类模型只返回逻辑回归学习者的后验概率。
加载电离层
数据集。该数据集有34个预测器和351个雷达返回的二进制响应,要么是坏的(“b”
)或好(‘g’
).
负载电离层
将数据集划分为训练集和测试集。为测试集指定30%的保留样本。
rng (“默认”)%用于再现性分区= cvpartition(Y,“坚持”, 0.30);trainingInds =训练(分区);%训练集的指数testInds = test(分区);%测试集的索引
训练一个二进制核分类模型。拟合逻辑回归学习者。
Mdl = fitckernel(X(trainingInds,:),Y(trainingInds),...“类名”, {“b”,‘g’},“学习者”,“物流”);
预测测试集的后验类概率。
[~,posterior] = predict(Mdl,X(testInds,:));
因为Mdl
有一个正则化强度,输出后
是一个矩阵,有两列和两行,等于测试集观察值的数量。列我
包含后验概率Mdl.ClassNames(我)
给定一个特定的观察结果。
计算ROC曲线的性能指标(真阳性率和假阳性率),并通过创建的方法找到ROC曲线下的面积(AUC)值rocmetrics
对象。
rocObj = rocmetrics(Y(testInds),后部,Mdl.ClassNames);
绘制第二类的ROC曲线情节
的函数rocmetrics
.
情节(rocObj一会= Mdl.ClassNames (2))
AUC接近1
,这表明该模型很好地预测了标签。
输入参数
Mdl
- - - - - -二进制核分类模型
ClassificationKernel
模型对象
二进制内核分类模型,指定为ClassificationKernel
模型对象。您可以创建ClassificationKernel
使用模型对象fitckernel
.
X
- - - - - -预测数据要分类
数字矩阵|表格
要分类的预测器数据,指定为数字矩阵或表格。
每行X
对应一个观察结果,每一列对应一个变量。
对于数值矩阵:
列中的变量
X
必须与训练的预测变量有相同的顺序Mdl
.如果你受过训练
Mdl
使用表格(例如,资源描述
),资源描述
那么,包含所有数值预测变量X
可以是数值矩阵。处理中的数值预测器资源描述
作为分类的训练,识别分类预测因子使用CategoricalPredictors
的名称-值对参数fitckernel
.如果资源描述
包含异构预测变量(例如,数字和分类数据类型)和X
是数字矩阵吗预测
抛出错误。
对于表格:
预测
不支持多列变量或除金宝app字符向量的单元格数组外的单元格数组。如果你受过训练
Mdl
使用表格(例如,资源描述
),然后输入所有预测变量X
必须具有与训练时相同的变量名称和数据类型Mdl
(存储在Mdl。PredictorNames
).的列序X
是否需要对应的列顺序资源描述
.同时,资源描述
而且X
可以包含额外的变量(响应变量、观察权重等),但是预测
忽略了它们。如果你受过训练
Mdl
使用一个数字矩阵,然后预测器名称在Mdl。PredictorNames
和相应的预测变量名X
一定是一样的。若要在训练期间指定预测器名称,请参阅PredictorNames
的名称-值对参数fitckernel
.所有预测变量X
必须是数值向量。X
可以包含额外的变量(响应变量、观察权重等),但是预测
忽略了它们。
数据类型:表格
|双
|单
输出参数
更多关于
分类分
对于内核分类模型,原始的分类分对观测进行分类x,一个行向量,转化为正类定义为
是一种用于特征扩展的观察的转换。
β是系数的估计列向量。
b是估计的标量偏差。
用于分类的原始分类分数x进入否定类是−f(x).该软件将观察结果划分为产生正分的类别。
如果内核分类模型由逻辑回归学习器组成,则软件应用逻辑回归学习器分对数的
分数转换为原始分类分数(见ScoreTransform
).
扩展功能
高大的数组
使用行数超过内存容量的数组进行计算。
版本历史
在R2017b中引入
Abrir比如
Tiene una versión modificada de este ejemplo。¿Desea abrir este ejemplo con sus modificaciones?
MATLAB突击队
Ha hecho clic en unenlace que对应一个este commando de MATLAB:
弹射突击队introduciéndolo en la ventana de commandos de MATLAB。Los navegadores web no permission comandos de MATLAB。
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。