再预测

类别：分类树

预测分类树的再替换标签

在第页中展开全部

语法

标签=重新预测（树） [标签，后]=重新预测（树） [标签，后，节点]=重新预测（树） [标签，后，节点，cnum]=重新预测（树） [标签，…]=重新预测（树、名称、值）

描述

标签=重新预测(树)返回标签树对数据进行预测tree.X.标签这是我们的预测吗树根据以下数据：菲茨特里用于创建树.

[标签,后面的]=重新预测(树)返回预测的后验类概率。

[标签,后面的,节点]=重新预测(树)返回的节点号树对于重新替换的数据。

[标签,后面的,节点,cnum]=重新预测(树)返回预测的预测类编号。

[标签，…]=重新预测(树,名称、值)返回具有一个或多个指定的附加选项的重新替换预测名称、值配对参数。

输入参数

全部展开

树

由菲茨特里.

名称值参数

指定可选的逗号分隔的字符对名称、值论据。名称是参数名和价值是对应的值。名称必须出现在引号内。您可以按任意顺序指定多个名称和值对参数，如下所示：名称1，值1，…，名称，值.

`子树`—修剪水平
0（默认）|非负整数向量|`“全部”`

修剪级别，指定为逗号分隔对，由“子树”和一个非负整数向量，升序或“全部”.

如果指定向量，则所有元素必须至少为0顶多max（树形修剪列表）.0指示完整的、未运行的树和max（树形修剪列表）指示完全修剪的树（即，仅根节点）。

如果您指定“全部”然后再预测操作所有子树（即，整个修剪序列）。本规范等同于使用0:max（tree.PruneList）.

再预测梅干树至中所示的每个级别子树，然后估计相应的输出参数子树确定某些输出参数的大小。

援引子树，物业修剪师和梅内尔帕属于树必须是非空的。换句话说，成长树通过设置“剪枝”，“开”，或修剪树使用修剪.

例子：“子树”，“全部”

数据类型：仅有一个的|双重的|烧焦|一串

输出参数

`标签`	反应`树`对训练数据进行预测。`标签`与培训响应数据的数据类型相同`树`. 如果`子树`名称值参数包含`M`>`1.`条目，`标签`有`M`列，每个列表示对应子树的预测。否则，`标签`是一个向量。
`后面的`	类的后验概率矩阵或数组`树`预测。如果`子树`名称值参数是标量或缺少标量，`后面的`是一个`N`-借-`K`矩阵，在哪里`N`是训练数据中的行数`tree.X`和`K`是班级的数量。如果`子树`包含`M`>`1.`条目，`后面的`是一个`N`-借-`K`-借-`M`数组，其中每个`M`给出对应子树的后验概率。
`节点`	节点数`树`每个数据行解析的位置。如果`子树`名称值参数是标量或缺少标量，`节点`是一个带有`N`行，行数与`tree.X`. 如果`子树`包含`M`>`1.`条目，`节点`是一个`N`-借-`M`矩阵。每列表示对应子树的节点预测。
`cnum`	班级编号是`树`为重新替换的数据进行预测。如果`子树`名称值参数是标量或缺少标量，`cnum`是一个带有`N`行，行数与`tree.X`. 如果`子树`包含`M`>`1.`条目，`cnum`是一个`N`-借-`M`矩阵。每列表示对应子树的类预测。

例子

全部展开

计算错误分类观察的数量

打开实时脚本

查找分类树的Fisher iris数据的误分类总数。

负载鱼腥草tree=fitctree（MEA，物种）；Ypredict=resubPredict（tree）；%预测Ysame=strcmp（预测，种类）；%当==sum（~Ysame）%有多少是不同的？

ans=3

比较每个子树的样本后验概率

打开实时脚本

加载Fisher的iris数据集。将数据划分为训练（50%）

负载鱼腥草

使用“所有花瓣测量”生长分类树。

Mdl=fitctree（MEA（：，3:4），物种）；n=尺寸（平均值，1）；%样本量K=numel（Mdl.ClassNames）；%班级数

查看分类树。

视图（Mdl，“模式”,“图形”);

图形分类树查看器包含一个轴对象和uimenu、uicontrol类型的其他对象。轴对象包含18个line、text类型的对象。

分类树有四个修剪级别。级别0是完整的未运行树（如图所示）。级别4只是根节点（即，没有拆分）。

使用修剪为1级和3级的子树估计每个类别的后验概率。

[~，后]=再预测（Mdl，“子树”,[1 3]);

后面的是一个N-借-K-后验概率的by-2数组后面的对应于观察，列对应于有序的类Mdl.ClassNames，页面对应于修剪级别。

使用每个子树显示iris 125的类后验概率。

后部（125，：，：）

ans=ans（：，：，1）=0.0217 0.9783 ans（：，：，2）=0.5000 0.5000

决策树桩（第2页，共页）后面的)无法预测iris 125是花色还是弗吉尼亚色。

更多关于

全部展开

后验概率

节点处分类的后验概率是导致该节点具有该分类的训练序列的数量除以导致该节点的训练序列的数量。

例如，考虑对预测器进行分类。X像符合事实的什么时候X<0.15或X>0.95和X否则就错了。

生成100个随机点并对其进行分类：

rng（0）%为了再现性X=兰特（100,1）；Y=（绝对值X-.55）>0.4）；tree=fitctree（X，Y）；视图（树、，“模式”,“图形”)

图形分类树查看器包含一个轴对象和uimenu、uicontrol类型的其他对象。轴对象包含12个line、text类型的对象。

修剪树木：
```
树1=修剪（树，“水平”，1）；视图（树1，“模式”,“图形”)
```
修剪后的树将小于0.15的观测值正确分类为符合事实的.它还将.15和.94之间的观测值正确分类为错误的.但是，它错误地将大于.94的观测值分类为错误的因此，大于.15的观察值的得分应为.05/.85=.06符合事实的，大约为.8/.85=.94错误的.

计算前10行的预测分数X:

[~，得分]=预测（树1，X（1:10））；[分数X（1:10，：）]

ans=10×30.9059 0.0941 0.8147 0.9059 0.0941 0.9058 0 1.0000 0.1270 0.9059 0.0941 0.9134 0.9059 0.0941 0.6324 0 1.0000 0.0975 0.9059 0.0941 0.2785 0.9059 0.0941 0.5469 0.9059 0.0941 0.9575 0.9059 0.0941 0.9649

事实上，所有的价值X小于0.15的（最右边的列）的关联分数（左边和中间的列）为0和1.，而X有关联的分数0.94和0.06.