addMetrics

计算额外的分类性能指标

自从R2022b

语法

UpdatedROCObj = addMetrics (rocObj、指标)

描述

rocmetrics利率计算假阳性(玻璃钢),真正积极的利率(TPR)和额外的指标规定AdditionalMetrics名称-值参数。在创建一个rocmetrics对象,您可以通过使用计算额外的分类性能指标addMetrics函数。

例子

UpdatedROCObj= addMetrics (rocObj,指标)计算额外的分类中指定的性能指标指标使用分类模型中存储的信息rocmetrics对象rocObj。

UpdatedROCObj包含所有的信息rocObj加上额外的性能指标计算addMetrics。函数附加额外的计算指标(指标)如表的新变量指标财产。

如果你当你创建计算置信区间rocObj,addMetrics额外的函数计算置信区间指标。的新变量指标属性包含一个三列的矩阵的第一列对应于度量值,和第二和第三列对应的上下边界,分别。使用置信区间需要统计和机器学习的工具箱™。

例子

全部折叠

计算额外的指标

打开生活的脚本

计算性能指标(玻璃钢、TPR和预期成本),当您创建一个多类分类问题rocmetrics对象。计算额外的指标,阳性预测值(PPV)以及阴性预测值(NPV),并将它们添加到对象。

加载一个样本的标签和分类问题的预测成绩。对于这个示例,有五类:雏菊、蒲公英、玫瑰、向日葵和郁金香。存储在类名一会。使用生成的分数将softmax预测分数预测函数。分数是一个N×K阵列N是观测的数量和K是类的数量。列的顺序核遵循类的顺序存储在classNames。

负载(“flowersDataResponses.mat”)成绩= flowersData.scores;trueLabels = flowersData.trueLabels;一会= flowersData.classNames;

创建一个rocmetrics对象通过使用真正的标签和分类的分数。指定的列顺序分数使用一会。默认情况下,rocmetrics计算玻璃钢和TPR。指定AdditionalMetrics = " ExpectedCost "计算预期成本。

rocObj = rocmetrics (trueLabels,分数,一会,…AdditionalMetrics =“ExpectedCost”);

的表指标的属性rocObj包含性能指标的值为每个类,垂直连接根据课堂秩序。找到并显示上面表中的行第二课堂。

idx = rocObj.Metrics。ClassName == classNames(2); head(rocObj.Metrics(idx,:))

ClassName阈值FalsePositiveRate TruePositiveRate ExpectedCost替_________________ ___________ _______蒲公英1 0 0 0.045287蒲公英1 0 0.23889 0.034469蒲公英1 0 0.26111 0.033462蒲公英1 0 0.27222 0.032959蒲公英1 0 0.28889 0.032204蒲公英1 0 0.29444 0.031953蒲公英1 0 1 0 0.31111 0.031198 0.3 - 0.031701蒲公英

的表指标包含类名称的变量、阈值、假阳性,真正积极的速度,和预期成本(额外的指标)。

在创建一个rocmetrics对象,您可以使用分类计算额外的度量模型信息存储在对象。计算PPV和NPV使用addMetrics函数。覆盖输入参数rocObj指定的输出addMetrics的输入。

rocObj = addMetrics (rocObj, (“PositivePredictiveValue”,“NegativePredictiveValue”]);

显示指标财产上的行。

头(rocObj.Metrics (idx:))

ClassName阈值FalsePositiveRate TruePositiveRate ExpectedCost PositivePredictiveValue NegativePredictiveValue替_________________ ___________ _______ _______________________ _______________________蒲公英1 0 0 0.045287 0.7551南蒲公英1 0 0.23889 0.034469 1 0.80202蒲公英1 0 0.26111 0.033462 1 0.80669蒲公英1 0 0.27222 0.032959 1 0.80904蒲公英1 0 0.28889 0.032204 1 0.81259蒲公英1 0 0.29444 0.031953 1 0.81378蒲公英1 0 0.3 0.031701 1 0.81498蒲公英1 0 0.81738 0.31111 0.031198 1

的表指标现在包括PositivePredictiveValue和NegativePredictiveValue变量在最后两列,您指定的顺序。注意,阳性预测值(PPV = TP / (TP + FP))是南拒绝所有的阈值(最大阈值),和阴性预测值(净现值= TN / (TN + FN))是南最低的接受所有阈值(阈值)。TP,《外交政策》,TN,FN代表的数量真阳性,假阳性,真正的底片,分别和假阴性。

输入参数

全部折叠

`rocObj`- - - - - -对象评估分类性能
`rocmetrics`对象

对象评估分类性能,指定为一个rocmetrics对象。

`指标`- - - - - -额外的模型性能指标
特征向量|字符串数组|函数处理|单元阵列

额外的性能指标计算模型,指定为一个特征向量或内置的字符串标量度量名称,名称的字符串数组,函数处理(@metricName),或者单元阵列名称或函数的句柄。一个rocmetrics对象总是计算假阳性的利率(玻璃钢)和真正的积极率(TPR)获得ROC曲线。因此,您不需要指定计算玻璃钢和TPR。

内置的指标——指定下列内置指标名称之一通过使用一个特征向量或字符串标量。您可以指定多个通过使用一个字符串数组。

的名字	描述
`“TruePositives”`或`“tp”`	真正的阳性(TP)数量
`“FalseNegatives”`或`“fn”`	假阴性(FN)
`“FalsePositives”`或`“外交政策”`	假阳性的数量(FP)
`“TrueNegatives”`或`“tn”`	真正的底片(TN)数量
`“SumOfTrueAndFalsePositives”`或`“tp + fp”`	TP和FP的和
`“RateOfPositivePredictions”`或`“齿”`	阳性预测率(RPP),`(TP + FP) / (TP + FN + FP + TN)`
`“RateOfNegativePredictions”`或`“rnp”`	率的负面预测(RNP),`(TN + FN) / (TP + FN + FP + TN)`
`“准确性”`或`“所以”`	的准确性,`(TP + TN) / (TP + FN + FP + TN)`
`“FalseNegativeRate”`,`“fnr”`,或`“小姐”`	假阴性率(FNR),或错过率,`FN / (TP + FN)`
`“TrueNegativeRate”`,`“tnr”`,或`“规范”`	真阴性率(TNR)或特异性,`TN / (TN + FP)`
`“PositivePredictiveValue”`,`“ppv”`,或`”前的“`	阳性预测值(PPV),或精度,`TP / (TP + FP)`
`“NegativePredictiveValue”`或`“净现值”`	阴性预测值(NPV),`TN / (TN + FN)`
`“ExpectedCost”`或`“ecost”`	预期成本,`(TP 成本(P \| P) + FN 成本(N \| P) + FP 成本(P \| N) + TN 成本(N \| N)) / (TP + FN + FP + TN)`,在那里`成本`是一个2×2的误分类代价矩阵包含吗`[0,成本(N \| P);成本(P \| N), 0]`。`成本(N \| P)`分类的成本类(是积极的`P`)是一种消极类(`N`),`成本(P \| N)`分类的成本是负类作为正类。软件转换`K`——- - - - - -`K`指定的矩阵`成本`名称-值参数`rocmetrics`每个one-versus-all二进制的2×2矩阵问题。有关详细信息,请参见误分类代价矩阵。

软件计算规模使用前类概率向量(之前)和类的数量标签,然后天平性能指标根据这种规模的向量。有关详细信息,请参见性能指标。

自定义指标——指定一个自定义指标通过使用一个函数处理。一个自定义函数,它返回一个性能指标必须有这种形式:
```
度量= customMetric (C、规模、成本)
```
- 输出参数度规是一个标量值。
- 一个自定义的度量是一个函数的混淆矩阵(C)、尺度向量(规模),和成本矩阵(成本)。每个one-versus-all二进制软件发现这些输入值的问题。有关详细信息,请参见性能指标。
  - C是一个2——- - - - - -2混淆矩阵组成的(TP, FN; FP, TN)。
  - 规模是一个2——- - - - - -1尺度向量。
  - 成本是一个2——- - - - - -2误分类代价矩阵。
这个软件不支持自定义指标的交叉验证。金宝app相反,您可以指定使用当你创建一个引导rocmetrics对象。