主要内容

ClassificationededModel.

包裹：ClassReg.Learning.Partition.

交叉验证的分类模型

展开所有页面

描述

ClassificationededModel.是一组在交叉验证折叠上培训的分类模型。使用一个或多个“kfold”方法，通过交叉验证估计分类的质量：Kfoldpredict那Kfoldloss.那Kfoldmargin.那Kfoldedge， 和kfoldfun.。

每种“kfold”方法使用培训的模型在折叠的观察中预测折叠折叠观察的响应。例如，假设您使用五个折叠交叉验证。在这种情况下，软件随机将每个观察分配为五个大致相同的组。这训练折叠包含四个组（即，大约4/5的数据）和测试折叠包含其他组（即，大约1/5的数据）。在这种情况下，交叉验证进行如下：

  • 该软件列举了第一个模型（存储在cvmdl.tromed {1}）使用最后四组中的观察，并保留第一个组中的观察结果进行验证。

  • 该软件列举了第二种模型（存储在cvmdl.tromed {2}）使用第一组和最后三组的观察，并保留第二组的观察结果进行验证。

  • 软件以类似的方式进行第三到第五模型。

如果您通过致电验证Kfoldpredict，它使用第一个模型，第2组用于第二模型的第1组的观察的预测，等等。简而言之，软件估计使用没有该观察的模型训练的模型对每个观察的响应。

建造

cvmdl.= Crossval（MDL.）从分类模型创建交叉验证的分类模型（MDL.）。

或者：

  • cvdiscrmdl = fitcdiscr（x，y，名称，值）

  • cvknnmdl = fitcknn（x，y，名称，值）

  • cvnetmdl = fitcnet（x，y，名称，值）

  • cvnbmdl = fitcnb（x，y，名称，值）

  • cvsvmmdl = fitcsvm（x，y，名称，值）

  • cvtreemdl = fitctree（x，y，名称，值）

创建交叉验证的模型姓名或者是'横向'那'kfold'那'坚持'那'忽略'， 或者'cvpartition'。有关语法详细信息，请参阅fitcdiscr.那Fitcknn.那Fitcnet.那Fitcnb.那fitcsvm.， 和fitctree。

输入参数

MDL.

分类模型，指定为以下之一：

  • 使用培训的分类树fitctree

  • 判断使用的判别分析分类器使用fitcdiscr.

  • 使用培训的神经网络分类器Fitcnet.

  • 一个天真的贝母分类器使用Fitcnb.

  • 训练使用最近的邻居分类器Fitcknn.

  • 支持金宝app的支持向量机器分类器使用fitcsvm.

特性

毕业生

数字预测器的Bin边缘，指定为单元数组P.数字向量，在哪里P.是预测器的数量。每个矢量包括用于数字预测器的箱边缘。用于分类预测器的单元阵列中的元素是空的，因为软件没有箱分类预测器。

只有在指定的情况下，软件箱体才能指定数字预测器'numbins'名称 - 值参数作为带有树学习者培训模型时的正整数标量。这毕业生房产是空的'numbins'值为空（默认值）。

您可以重现Binned Predictor数据Xbinned.通过使用毕业生培训模型的财产MDL.。

x = mdl.x;％predictor数据xbinned = zeros（size（x））;边缘= mdl.bineges;％查找箱预测因子的指数。idxnumeric = find（〜cellfun（@ isempty，边））;如果是iscumn（idxnumeric）idxnumeric = idxnumeric';j = idxnumeric x = x（：，j）;如果x是表，％将x转换为数组。如果是Istable（x）x = table2array（x）;结束％X通过使用X进入垃圾箱离散化功能。xbinned =离散化（x，[ -  inf;边缘{j}; inf]）;Xbinned（：，j）= xbinned;结尾
Xbinned.包含单位，范围为1到箱数，用于数字预测器。Xbinned.对于分类预测器，值为0。如果X包含南s，然后相应的Xbinned.价值是南s。

分类预测器

分类预测索引指定为正整数的向量。假设预测器数据包含行中的观察，分类预测器包含与包含分类预测器的预测器数据列对应的索引值。如果没有预测器都是分类的，则此属性是空的（[]）。

如果MDL.是训练有素的判别分析分类器，然后是分类预测器总是空的（[]）。

Classnames.

用于培训模型的唯一类标签，指定为分类或字符阵列，逻辑或数字矢量或字符向量的单元格数组。

成本

方矩阵，在哪里成本（i，j）是将一个点分类为课程的成本j如果它的真实课程是一世（即，行对应于真实类，列对应于预测类）。行和列的顺序成本对应于类的顺序Classnames.。行数和列的数量成本是响应中唯一类的数量。

如果cvmodel.是交叉验证的分类Discriminant.那ClassificationKnn.， 或者ClassificationniveBayes.模型，然后您可以将其成本矩阵更改为例如，Costmatrix.，使用点表示法。

cvmodel.cost = costmatrix;

CrossValidatedModel.

交叉验证模型的名称，是字符向量。

kfold.

交叉验证模型中使用的折叠数，这是一个正整数。

模特分析者

持有参数的对象cvmodel.。

numobservations.

存储在训练数据中的观察次数X和y，指定为数字标量。

划分

课程的分区CVPartition.用于创建交叉验证的模型。

预测

预测器变量名称指定为字符向量的单元格数组。元素的顺序预测对应于预测器名称在训练数据中出现的顺序。

事先的

每个班级的先前概率的数字矢量。元素的顺序事先的对应于类的顺序Classnames.。

如果cvmodel.是交叉验证的分类Discriminant.或者ClassificationniveBayes.模型，然后您可以将其向量向量换档到例如，PriorVector.，使用点表示法。

cvmodel.prior = praftvector;

ractraceame.

响应变量名称，指定为字符向量。

scoretransform.

分数转换，指定为字符向量或功能句柄。scoretransform.表示用于转换预测分类分数的内置变换函数或功能手柄。

更改分数转换功能功能例如，使用点表示法。

  • 对于内置函数，输入字符向量。

    mdl.scoretransform ='功能'

    此表介绍了可用的内置功能。

    价值 描述
    'doublelogit' 1 /（1 +E.-2X）
    'invlogit' 日志（X/（1 -X）））
    'ismax' 将具有最大分数的类设置为1的分数，并将所有其他类的分数设置为0
    'logit' 1 /（1 +E.-X）
    '没有任何'或者'身份' X（没有转型）
    '标志' -1 for.X<0
    0X= 0.
    1X> 0
    '对称' 2X- 1
    'ymmetricismax' 将具有最大分数为1的类设置分数，并将所有其他类的分数设置为-1
    'symmetriclogit' 2 /（1 +E.-X） - 1

  • 对于matlab.®函数或定义的函数输入其功能句柄。

    mdl.scoretransform = @功能;

    功能必须接受矩阵（原始分数）并返回相同大小的矩阵（转换的分数）。

训练有素

训练有素的学习者，它是紧凑型分类模型的单元格阵列。

W.

鳞片重量，这是一个长度的向量N.，观察人数X。

X

预测值的矩阵或表格。

y

为每个观察指定类标签的分类或字符阵列，逻辑或数字矢量或字符向量的单元格数组。每一个条目y是相应观察的响应值X。

对象功能

Kfoldedge 交叉验证分类模型的分类边缘
Kfoldloss. 交叉验证分类模型的分类损失
Kfoldmargin. 交叉验证分类模型的分类边距
Kfoldpredict 对交叉验证的分类模型进行分类观察
kfoldfun. 交叉验证功能进行分类

复制语义

价值。要了解值类如何影响复制操作，请参阅复制对象。

例子

全部收缩

打开直播脚本

评估K.- 分类树模型的交叉验证错误。

装载Fisher的Iris数据集。

加载渔民

使用默认选项列车分类树。

MDL = FITCTREE（MEAS，物种）;

交叉验证分类树模型。

cvmdl = crossval（mdl）;

估计10倍交叉验证损失。

l = kfoldloss（cvmdl）
L = 0.0533.
打开直播脚本

估计SVM算法测试集的正类后验概率。

加载电离层数据集。

加载电离层

训练SVM分类器。指定20％HoldOut示例。良好的做法是为了标准化预测器并指定类顺序。

RNG（1）重复性的％cvsvmmodel = fitcsvm（x，y，'坚持'，0.2，'标准化'，真的，......'classnames'，{'B'那'G'}）;

cvsvmmodel.是训练有素的ClassificationededModel.交叉验证的分类器。

估计映射观察分数的最佳分数函数，以分类为观察的后验概率'G'。

scorecvsvmmodel = fitsvmposterior（cvsvmmodel）;

scorsvmmodel.是训练有素的ClassificationededModel.包含从训练数据估计的最佳分数转换功能的交叉验证分类器。

估算样本外呈正类后概率。显示前10个外观观测结果的结果。

[〜，OospostProbs] = kfoldpredict（scorecvsvmmodel）;Indx =〜Isnan（OospostProbs（:,2））;hoobs = find（indx）;％HoldOut观察号OospostProbs = [Hoobs，OospostProbs（Indx，2）];表（OospostProbs（1：10,1），OospostProbs（1：10,2），......'variablenames'，{'abangationIndex'那'后摩降性'}）
ans =.10×2表AbservationIndInx后验性能___________________________________ 6 0.17379 7 0.89638 8 0.91606 0.91603 16 0.91603 0.026714 22 4.6086E-06 0.9024 22 2.4131C-06 38 0.042687 41 0.86427 41 0.86427

提示

估计训练，交叉验证的SVM分类器的后验概率，使用fitsvmposterior.。

扩展能力

也可以看看

||||||||||||

话题

统计和机器学习工具箱文档

金宝app

掌握机器学习：使用MATLAB逐步指南

掌握机器学习：使用MATLAB逐步指南

下载电子书