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。

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。