このページ最新ではありませ。をクリックし,英语のの最新版版を参照参照し。
失利
k最近傍损失损失
说明
例
损失计算
フィッシャーのアヤメデータに対してk最近傍を作成ます。ここでk= 5です。
フィッシャーののデータを読み込みます。
加载渔业
5つ最近について器を作成。。。
mdl = fitcknn(MES,物种,'numneighbors',5);
“ versicolor”
として分类た平均値に対する分类のををますます。
x =平均值(MEAS);y = {“ versicolor”};L =损失(MDL,X,Y)
L = 0
5つの傍すべてすべて“ versicolor”
として分类さます。
入力引数
MDL
-k最近傍モデル
分类知识
オブジェクト
k最近傍分类。分类知识
オブジェクトを指定ます。
响应varname
-応答変数名
TBL
内の変数名前
応答変数の。TBL
内のの名前指定します。MDL
を学习せるに使用た応答変数がTBL
に含まている场合,响应varname
を指定必要はあり。。
响应varname
字符串スカラーまたはスカラースカラー指定しなければません。たとえば,応答変数がtbl.Response
として格纳れている,,'回复'
として指定ます。以外の场合,TBL
の列はtbl.Response
を含めすべて予测子扱われます。
逻辑配列,,,,,,,,,,,,,,,,配列配列ベクトルベクトルベクトルベクトルベクトルベクトル,,またはまたは文字文字文字文字ベクトルベクトルベクトルののベクトルベクトルベクトルベクトルベクトルベクトルベクトルベクトル配列配列配列配列ででなけれなけれなければばばなりませませんん。。応答応答変数しなけれなりません。
データ::char
|细绳
X
-予测子データ
数値行列
予测子データ数値行列指定します。X
の各行各行つ観测値を,各ははははつつ変数を表します
データ::单身的
|双倍的
y
-クラスラベル
分类配列|文字配列|字符串配列|逻辑ベクトル|数値ベクトル|文字文字の细胞配列
类别配列配列,文字配列,,,,,,,,ベクトルベクトルベクトル数値数値ベクトル,またはまたは文字文字ベクトルベクトルののののの配列配列配列配列配列y
の各行は,X
の対応行のを表します。
データ::分类
|char
|细绳
|逻辑
|单身的
|双倍的
|细胞
名前と値引数
例:损失(MDL,TBL,“响应”,“ LossFun”,“指数”,“权重”,“ W”)
は,MDL
がTBL
内の分类场合の重み付きを返します。ここ,tbl.Response
は応答変数,TBL.W
は重みのです。
オプションの名称,价值
引数の区ペアを指定し。。姓名
は引数名,价值
は対応するです。姓名
は引用でなければなりませ。。NAME1,Value1,...,Namen,Valuen
のに复数名前とのペア引数を任意の顺番で指定指定。。。
Lossfun
-损失关数
'MinCost'
(既定)|“ Binodeviance”
|“分类”
|“指数”
|'合页'
|“ logit”
|“二次”
|关数ハンドル
损失关数。“ LossFun”
と组み込み关数またはハンドルからされる区切りのペアペアとして指定指定。。。
次の,使用な损失关数一覧。。。
値 说明 “ Binodeviance”
二项分布の逸脱度 “分类”
10进数の误分类率 “指数”
指数损失 '合页'
ヒンジ损失 “ logit”
ロジスティック损失 'MinCost'
最小误コストコスト(事后确率分类の场合场合) “二次”
二次损失 'MinCost'
は,であるスコアに适してます。では,,,,,,最近最近傍モデルはは分类スコアスコアとしてとして事后确率确率(预测
を参照)。@lossfun
のように@
を使用,カスタム关数用のハンドル指定指定ますます。X
内の値のをn,异なるクラス个数(numel(mdl.classnames)
)をkとし。损失は,のな形式しなければなりませんん。功能损失值= lossfun(c,s,w,成本)
C
n n行k列逻辑行列行列,対応観测値が属するをを各行が示し示します。列ははmdl.classnames
のクラス顺序対応し。各行について観测値p
がクラス问
に属する场合はc(p,q)= 1
を设定するにより,C
を作成し。行p
の他すべての要素を0
に设定し。s
は,のn行k列のです列の顺序ははmdl.classnames
のクラス顺序にします。引数s
は,预测
の出力同様分类スコアの行列。。w
は,値重みのn行の列列数値ベクトル。。。w
を渡す,重みはがが1
になるよう正规化さ。。成本
は,コスト,k行k列の行列です。,,,成本=一个(k) - 眼睛(k)
は,分类のコストてて0
を,のコストとして1
を指定し。出力引数
损失价值
はスカラーです。
损失关数详细については,分类损失を参照しください。
データ::char
|细绳
|function_handle
权重
-観测値の重み
一个(大小(x,1),1)
(既定)|数値ベクトル|TBL
内の変数名前
観测値の。“重量”
と数値ベクトルまたはTBL
に含まの名前构成される区のペアとして指定します。
数値ベクトルで权重
を指定する,权重
のサイズはX
またはTBL
の行数等しくなけれなりません。
权重
としてTBL
内のを指定场合,名前文字ベクトルまたはまたはまたはスカラースカラースカラーなければなりませません。。重み重み重み重みTBL.W
として格纳れている,,权重
として'W'
を指定ます。以外の场合,TBL
の列はTBL.W
を含めすべて予测子扱われます。
失利
は,の値重み合计そのクラス事前确率になるようように,重み重みを正规化化权重
を指定し场合,失利
は重み付き分类损失计算します。
例:“重量”,'W'
データ::单身的
|双倍的
|char
|细绳
アルゴリズム
分类损失
“分类”关数はの误差を评価しし复数ので同じ同じタイプのの损失损失ををを比较比较たた场合,,损失损失损失ががが低い低い方
以下のを考えます。
lは加重分类损失。。
nは标本。。
バイナリ分类はです。
yjは観测たクラスです。阴性をを-1またはまたは阳性クラスクラスを示す示す示す示す1(あるいは
classNames
プロパティのクラス-1または -2番目番目クラスを示す示す示す示す示すををを使用て符号化化。。。。。f(xj)はx xの観测(行)jに対する阳性クラス分类
mj= yjf(xj)はyjに対応に観测値値を分类するスコアです。ののjは正しい示しおり,平均损失に対するは大きくませません。负负ののjは正しくを示しおり,平均に寄与寄与ますます。
マルチクラス(つまりつまりk≥3)をサポートの场合次のになり。。
yj*は,k -1个ののとと観测さクラスクラスクラスjに対応位置のからからされるです。たとえば,,,,番目番目番目の値値の真真真のクラスクラスクラスクラスががががががクラスk = 4の场合,y2*= [0 0 1 0]''になり。の顺序は入力のの
classNames
プロパティ内顺序に対応。。f(xj)はx xの観测値値クラススコアのベクトル,长はははははです。スコアスコア
classNames
プロパティ内クラス顺序に対応し。。mj= yj*'f(xj)。したがっmjは,れ真のクラスについて予测するスカラー分类スコア。
観测j jのははjです観测のは正规化れ,合计は対応対応事前事前事前确率确率确率にににになりなります。またまたまた,,事前事前事前确率がががががががががががががががががになるになるになるになるになるになるになるになる
この状况は名前とのペアの引数“ LossFun”
を使用指定,サポートれる损失は次表のようになります。
损失关数 | Lossfun の値 |
式 |
---|---|---|
二项分布の逸脱度 | “ Binodeviance” |
|
10进数の误分类率 | “分类” |
は,がであるに対応するクラス。。i{ |
クロスエントロピー损失 | “ Crossentropy” |
加重クロス损失はとなります。
ここで重み は,合计がではなくではなくように化さます。。 |
指数损失 | “指数” |
|
ヒンジ损失 | '合页' |
|
ロジット损失 | “ logit” |
|
最小予测分类コスト | 'MinCost' |
重み付きの分类コストは次の手顺値値= = 1 = 1,
最小误损失の加重平均次となります。
既定の(正しい正しい场合の値ははは,,た分类のの场合の要素要素要素値1)ををを使用使用使用 |
二次损失 | “二次” |
次のでは,,,つの観测値スコアスコアスコアに対する“ Crossentropy”
および'MinCost'
をををてい。いくつの关数は(0,1)をを通过するように正规化化ささされ。
真の误分コスト
knn分类にクラスごと真ののおよび値ごとの予测予测误分类分类コストコストコストというというというというつのつのつのコストが关连关连
fitcknn
を実行とき名前とのペアの引数'成本'
を使用により,ごとの真误分コストを设定できます。値费用(i,j)
は,真クラスが一世
である観测値クラスj
に分类コストです既定では,成本(i,j)= 1
((i〜 = j
の场合)および成本(i,j)= 0
((i = j
の场合)ですつまり,分类ののは0
,误っ分类のコストは1
です。
予测コスト
knn分类にクラスごと真ののおよび値ごとの予测予测误分类分类コストコストコストというというというというつのつのつのコストが关连关连预测
3番目番目は観测ごとの误分类コスト。。
学习済みの分类器MDL
を使用してNobs
个の値分类するします。また,k
个のがとします。1行1観测1観测にXNew
に置き。次のコマンド
[标签,得分,成本] =预测(MDL,XNEW)
これは他のに加えて,Nobs
行k
列の行列成本
を返します。成本
行列のに,観测をそれぞれクラスクラスk
に分类(平均)コストコスト含まれ。。成本(n,j)
は次のです。
ここで
kは,のです。
は値値Xnew(n)のクラスiの事后确率です。
は,がががである観测ををに分类するの误分类コスト。。
拡张机能
高
メモリの超えるな多数の行配列を计算し。。
高高的配列配列を完全サポートします详细は,,高を参照しください。
gpu配列
并行计算工具箱™をしグラフィックス(GPU)上上実行ことにより,ををますますます。。。。
使用上注意および制限事项:
次のに指定さたた
分类知识
モデルに対しては,失利
でgpu配列はサポートさません。。'nsmethod'
プロパティが'kdtree'
として指定れている。'距离'
プロパティがハンドル指定されて。。“包括”
プロパティが真的
として指定れている。
详细は,gpuでmatlab关数关数実行実行(并行计算工具箱)を参照しください。
バージョン履歴
matlabコマンド
Matlabコマンドコマンドにするがクリックされまし。。
matlabコマンドコマンドに入力してしください。。。。ブラウザー
您还可以从以下列表中选择一个网站:
如何获得最佳网站性能
选择中国网站(中文或英语)以获得最佳场地性能。其他Mathworks乡村网站未针对您所在的访问进行优化。
美洲
- AméricaLatina(Español)
- 加拿大(英语)
- 美国(英语)