このペジの翻訳は最新ではありません。ここをクリックして，英語の最新版を参照してください。
resubPredict
学習済み分類器を使用した学習デタの分類
構文
説明
标签= resubPredict (Mdl“IncludeInteractions”,includeInteractions）
例
単純ベ邮箱ズ分類器の学習標本観測値のラベル付け
fisheririsデタセットを読み込みます。150本のアヤメに4Xを作成します。対応するアヤメの種類が含まれる文字ベクトルのcell配列Yを作成します。
负载fisheririsX = meas;Y =物种;rng (“默认”）%用于重现性
予測子XとクラスラベルYを使用して、単純ベ以及ズ分類器に学習させます。クラス名を指定することが推奨されます。fitcnbは，各予測子が条件付き正規分布に従うと仮定しています。
Mdl = fitcnb(X,Y，“类名”, {“setosa”，“多色的”，“virginica”})
Mdl = ClassificationNaiveBayes ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'setosa' 'versicolor' 'virginica'} ScoreTransform: 'none' NumObservations: 150 DistributionNames: {'normal' 'normal' 'normal' 'normal'} DistributionParameters: {3x4 cell}属性，方法
Mdlは学習させたClassificationNaiveBayes分類器です。
学習標本のラベルを予測します。
label = resubPredict(Mdl);
10件の観測値の無作為なセットにいて結果を表示します。
idx = randsample(size(X,1)，10);表(Y (idx)、标签(idx),“VariableNames”，.．.｛“真正的标签”，“预测标签”})
ans =10×2表真正的标签预测标签 ______________ _______________ {' virginica’}{‘virginica}{‘setosa}{‘setosa}{‘virginica}{‘virginica}{“癣”}{“癣”}{‘virginica}{‘virginica}{“癣”}{“癣”}{‘virginica}{‘virginica}{‘setosa}{‘setosa}{‘virginica}{‘virginica}{‘setosa} {' setosa '}
真のラベルYと予測ラベル标签から混同チャトを作成します。
cm = confusionchart(Y,label);
SVM分類器の標本内事後確率の推定
电离层デタセットを読み込みます。このデタセットには，レ反射に34個の予測子と，不良(“b”)または良好(‘g’)という351個の二項反応が含まれています。
负载电离层
サポトベクタマシン(svm)分類器に学習させます。デタを標準化し，‘g’が陽性クラスであることを指定します。
SVMModel = fitcsvm(X,Y，“类名”, {“b”，‘g’}，“标准化”,真正的);
SVMModelはClassificationSVM分類器です。
スコアから事後確率への最適な変換関数パラメタを近似します。
rng (1);%用于重现性ScoreSVMModel = fit后部(vmmodel)
ScoreSVMModel = ClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: '@(S)sigmoid(S，-9.481586e-01，-1.218402e-01)' NumObservations: 351 Alpha: [90x1 double] Bias: -0.1343 KernelParameters: [1x1 struct] Mu: [1x34 double] Sigma: [1x34 double] BoxConstraints: [351x1 double] ConvergenceInfo: [1x1 struct] Is金宝appSupportVector: [351x1 logical] Solver: 'SMO' Properties, Methods
クラスは不可分であるため，スコア変換関数(ScoreSVMModel。ScoreTransform)はシグモド関数です。
学習デタのスコアと陽性のクラスの事後確率を推定します。最初の10件の観測の結果を表示します。
[label,scores] = resubPredict(svm模型);[~，postProbs] = resubPredict(ScoreSVMModel);表(Y(1:10),标签(1:10),分数(1:10),2),postProbs (1:10), 2),“VariableNames”，.．.｛“TrueLabel”，“PredictedLabel”，“分数”，“PosteriorProbability”})
ans =10×4表TrueLabel PredictedLabel得分PosteriorProbability _________ ______________ _______ ____________________ {' 1.4861 - 0.82214 g’}{‘g’}{b} {b} -1.0004 - 0.30434{‘g’}{‘g’}1.8686 - 0.86916 {b} {b} -2.6458 - 0.084182{‘g’}{‘g’}1.2805 - 0.79183 {b} {b} -1.4618 - 0.22025{‘g’}{‘g’}2.1671 - 0.89813 {b} {b} -5.7089 - 0.0050112{‘g’}{‘g’}2.4797 - 0.92223 {b} {b} -2.7813 - 0.074797
事後確率のロジットの検査によるgamの比較
予測子の線形項と交互作用項の両方が格納されている分類一般化加法モデル(GAM)を使用して,学習データについて事後確率のロジット(分類スコア)を推定します。分類スコアを計算する際に交互作用項を含めるかどうかを指定します。
电离层デタセットを読み込みます。このデタセットには，レ反射に34個の予測子と，不良(“b”)または良好(‘g’)という351個の二項反応が含まれています。
负载电离层
予測子XとクラスラベルYを使用して，gamに学習させます。クラス名を指定することが推奨されます。上位10個の最も重要な交互作用項を含めるように指定します。
Mdl = fitcam (X,Y，“类名”, {“b”，‘g’}，“互动”, 10)
Mdl = ClassificationGAM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'logit' Intercept: 3.2565 interaction: [10x2 double] NumObservations: 351 Properties, Methods
MdlはClassificationGAMモデルオブジェクトです。
線形項と交互作用項の両方を使用してラベルを予測してから，線形項のみを使用してラベルを予測します。交互作用項を除外するには，“IncludeInteractions”,假的を指定します。ScoreTransformプロパティとして“没有”を指定して，事後確率のロジットを推定します。
Mdl。ScoreTransform =“没有”；[labels,scores] = resubPredict(Mdl);[labels_nointeraction,scores_nointeraction] = resubPredict(Mdl，“IncludeInteractions”、假);
真のラベル，予測ラベルおよびスコアが格納されている表を作成します。表の最初の8行を表示します。
t = table(Y,labels,scores,labels_nointeraction,scores_nointeraction，.．.“VariableNames”, {“真正的标签”，“预测标签”，“分数”.．.“没有交互作用的预测标签”，“没有互动的分数”});头(t)
ans =8×5表真正的标签标签预测分数预测标签没有交互的分数没有交互 ___________ ________________ __________________ _____________________________________ ___________________________ {' -51.628 - 51.628 g’}{‘g’}{‘g’}-47.676 - 47.676 {b} {b} 37.433 - -37.433 36.435 - -36.435 {b}{‘g’}{‘g’}-62.061 - 62.061 -58.357 - 58.357{‘g’}{b} {b} 37.666 - -37.666 36.297 - -36.297 {b}{‘g’}{‘g’}-47.361 - 47.361 -43.373 - 43.373{‘g’}{b} {b} {b} -106.48 106.48 102.43-102.43{‘g’}{‘g’}-62.665 - 62.665 -58.377 - 58.377{‘g’}{b} {b} {b} 197.84 - -197.84 201.46 -201.46
学習デタXの予測ラベルは交互作用項を含めても変化しませんが，推定スコア値は異なります。
入力引数
出力引数
アルゴリズム
resubPredictは，オブジェクト(Mdlの対応する関数预测に従って予測を計算します。モデル固有の説明については、次の表に示す関数预测のリファレンスペジを参照してください。
| モデル | 分類モデルオブジェクト(Mdl） |
オブジェクト関数预测 |
|---|---|---|
| 一般化加法モデル | ClassificationGAM |
预测 |
| K最近傍モデル | ClassificationKNN |
预测 |
| 単純ベ邮箱ズモデル | ClassificationNaiveBayes |
预测 |
| ニュラルネットワクモデル | ClassificationNeuralNetwork |
预测 |
| 1クラスおよびバ邮箱ナリ分類用のサポ邮箱トベクタ邮箱マシン | ClassificationSVM |
预测 |
拡張機能
您也可以从以下列表中选择网站:
