oobloss.

Out-of-bag分类错误

展开所有页面

语法

l = oobloss（ens） L = oobLoss(实体、名称、值)

描述

l= oobLoss (实体）返回分类错误实体计算出袋子外数据。

l= oobLoss (实体，名称,值）使用一个或多个指定的其他选项计算错误名称,值对论点。您可以以任何顺序指定多个名称值对参数Name1, Value1,…,的家．

输入参数

`实体`	一种分类袋装套装，由`fitcensemble.`．

名称-值对的观点

指定可选的逗号分隔的对名称,值论点。名称参数名和价值是相应的价值。名称必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

“学习者”

集合中弱学习者的指标从1到麻木．oobloss.仅使用这些学习者计算损失。

默认值:1：有趣的

“lossfun”

损失函数，指定为逗号分隔对组成'lockfun'和内置，丢失功能名称或功能句柄。

下表列出了可用的损耗函数。使用其对应的字符向量或字符串标量指定一个。

价值	描述
`“binodeviance”`	二项式偏差
`'classiferror'`	小数点被错误分类
`'指数'`	指数损失
`'合页'`	铰链损失
`分对数的`	物流损失
`“mincost”`	最小预期的错误分类成本（用于后验概率的分类分数）
`'二次'`	二次损失

“mincost”适用于后验概率的分类分数。默认情况下，Bagged ensemble返回后验概率作为分类分数。

使用函数句柄表示法指定你自己的函数。
假设n是观测的次数X和K是不同班级的数量（元素个数(ens.ClassNames)，实体是输入模型）。您的功能必须具有此签名
```
lossvalue =损失义务（C，S，W，成本）
```
地点:
- 输出参数失值是一个标量。
- 选择函数名(损失义务)．
- C是一个n-经过-K逻辑矩阵，其行表示相应的观测属于哪一类。中的列顺序对应于类的顺序ens.Classnames.．
  构造C通过设置c（p，q）= 1如果观察p是在课堂上问每行。设置行的所有其他元素p到0．
- 年代是一个n-经过-K分类分数的数值矩阵。中的列顺序对应于类的顺序ens.Classnames.．年代是一个矩阵的分类分数，类似于输出预测．
- W是一个n- 1个数字矢量重量的数字矢量。如果你通过了W，软件将它们的总和标准化1．
- 成本是A.K-经过-K误分类代价的数值矩阵。例如,成本=（k） - 眼睛（k）指定0为正确的分类，和1错误分类。
使用以下命令指定函数'lockfun'，@损失义务．

有关损失函数的详细信息，请参见分类损失．

默认值:'classiferror'

“模式”

表示输出含义的字符向量或字符串标量l：

“合奏”- - - - - -l为标量值，则损失为整个整体。
“个人”- - - - - -l是一个向量，每个训练有素的学习者有一个元素。
“累积”- - - - - -l是一个元素的矢量J通过使用学习者获得1：J.从学习者的输入列表。

默认值:“合奏”

输出参数

`l`	分类损失袋出袋子观察，一个标量。`l`可以是向量，也可以表示不同的数量，具体取决于名称-值设置。

例子

展开全部

估计Out-Of-Bag错误

打开直播脚本

载入费雪的虹膜数据集。

负载fisheriris

一袋100棵分类树。

ENS = FITCESEMBLE（MEAM，物种，'方法'，'包'）;

估计禁止外分类错误。

l = oobloss（ens）

L = 0.0400

更多关于

展开全部

的包

装袋，即“自举聚合”，是一种集成学习。把一个弱学习者，比如数据集上的决策树，fitcensemble.生成数据集的许多引导副本，并在这些副本上生长决策树。fitcensemble.通过随机选择获得每个引导副本N观察结果N用替代品，在哪里N是数据集大小。为了找到训练过的集合的预测反应，预测从单个树的预测中取平均值。

画画N的N替换观察平均省略37％（1 /e）对每个决定树的观察。这些是“袋子外”观察。对于每个观察，oobloss.通过对观测结果不准确的集合中所有树的预测进行平均，来估计不准确的预测。然后，它将计算出的预测与该观测结果的真实响应进行比较。它通过比较用于训练的所有观测值的预测响应和真实响应来计算包外误差。这个包外平均值是真集成误差的无偏估计量。

分类损失

分类损失功能测量分类模型的预测不准确性。当您在许多模型之间比较相同类型的损耗时，较低的损耗表示更好的预测模型。

考虑以下情景。

l为加权平均分类损失。
n为样本量。
对于二进制分类：
- y_j是观察到的类标签。软件将其代码为-1或1，表示负类或正类（或第一个或第二类一会财产分别。
- f（X_j）是观察的正级分类评分（行）j预测数据X．
- 米_j＝y_jf（X_j）是分类观察的分类分数j对应的类y_j．积极的价值观米_j表明正确的分类，对平均损失贡献不大。负的米_j表示不正确的分类，并对平均损失显着贡献。
对于支持多类分类的算法(即，金宝appK≥3)：
- y_j^＊是向量K- 1零，1个位置与真实的，观察类相对应y_j．例如，如果第二个观察的真正类是第三个阶级和K= 4,然后y₂^＊= [0 0 1 0] '．类的顺序对应于订单一会输入模型的属性。
- f（X_j）是长度K课程的传染媒介观察的j预测数据X．分数的顺序与表中班级的顺序相对应一会输入模型的属性。
- 米_j＝y_j^＊′f（X_j)．因此,米_j标量分类得分是模型预测真实的观察类。
观测权重j是w_j．该软件将观测权值归一化，使其和为相应的先验类别概率。软件还将先验概率归一化，使其和为1。因此,

${σ.}_{j ＝ 1}^{n} w_{j} ＝ 1。$

鉴于此方案，下表介绍了通过使用您可以指定的支持损耗功能金宝app'lockfun'名称-值对的论点。

损失功能	的价值`损失义务`	方程
二项式偏差	`“binodeviance”`	$l ＝ {σ.}_{j ＝ 1}^{n} w_{j} 日志｛ 1 + exp. ［ - 2 米_{j} ］｝．$
小数点被错误分类	`'classiferror'`	$l ＝ {σ.}_{j ＝ 1}^{n} w_{j} 我｛ {\overset{＾}{y}}_{j} \neq y_{j} ｝．$ ${\overset{＾}{y}}_{j}$ 为得分最大的类对应的类标签。我｛·是指标功能。
交叉熵损失	`'forrorentropy'`	`'forrorentropy'`仅适用于神经网络模型。加权交叉熵损失是 $l ＝ - {σ.}_{j ＝ 1}^{n} \frac{{\overset{〜}{w}}_{j} 日志（米_{j} ）}{K n} ，$ 哪里重量 ${\overset{〜}{w}}_{j}$ 都归一化为n而不是1。
指数损失	`'指数'`	$l ＝ {σ.}_{j ＝ 1}^{n} w_{j} exp. （ - 米_{j} ）．$
铰链损失	`'合页'`	$l ＝ {σ.}_{j ＝ 1}^{n} w_{j} 马克斯｛ 0 ， 1 - 米_{j} ｝．$
分对数损失	`分对数的`	$l ＝ {σ.}_{j ＝ 1}^{n} w_{j} 日志（ 1 + exp. （ - 米_{j} ））．$
最小预期错误分类费用	`“mincost”`	`“mincost”`仅当分类分数是后验概率时才适当。该软件计算加权最小期望分类成本使用这一程序的观察j= 1，......，n．估计分类观察的预期错误分类成本X_j进入课堂k： $γ_{j k} ＝ {（ f {（ X_{j} ）}^{'} C ）}_{k} ．$ f（X_j）是对观察的二元和多字母分类的类后验概率的柱矢量X_j．C成本矩阵存储在`成本`模型的财产。对于观察j，预测与最小预期误分类成本相对应的类别标签: ${\overset{＾}{y}}_{j} ＝ \underset{k ＝ 1 ， ...... ， K}{argmin} γ_{j k} ．$ 使用C，确定招致的成本（c_j)做了预测。最小预期错误分类成本损失的加权平均值是 $l ＝ {σ.}_{j ＝ 1}^{n} w_{j} c_{j} ．$ 如果使用默认代价矩阵(其元素值为0表示正确分类，1表示不正确分类)，则`“mincost”`失则等于失`'classiferror'`损失。
二次损失	`'二次'`	$l ＝ {σ.}_{j ＝ 1}^{n} w_{j} {（ 1 - 米_{j} ）}^{2} ．$