addMetrics
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。
计算额外的分类中指定的性能指标UpdatedROCObj
= addMetrics (rocObj
,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
计算额外的指标
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
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。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。
注意,阳性预测值(PPV)南
为拒绝所有阈值TP
=《外交政策》
=0
和阴性预测值(NPV)南
接受所有的阈值TN
=FN
=0
。更多细节,请参阅阈值、固定指标,和固定的度量值。
例子:(“准确性”,“PositivePredictiveValue”)
例子:{“准确性”,@m1, @m2}
指定自定义的准确性度量和度量m1
和平方米
作为额外的指标。addMetrics
存储自定义度量值作为变量命名CustomMetric1
和CustomMetric2
在指标
财产。
数据类型:字符
|字符串
|细胞
|function_handle
输出参数
UpdatedROCObj
——对象评估分类性能
rocmetrics
对象
版本历史
介绍了R2022b
Abrir比如
这种版本modificada德埃斯特比如。害怕Desea abrir埃斯特比如con sus modificaciones吗?
第一de MATLAB
Ha事实clic en联合国围绕此时一个埃斯特第一de MATLAB:
Ejecute el第一introduciendolo en la ventana de第一de MATLAB。洛杉矶navegadores网络没有admiten第一de MATLAB。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。