预测
预测高斯内核分类模型的标签
描述
例子
预测培训集标签
使用二元核分类模型预测训练集标签，并显示分类结果的混淆矩阵。
加载电离层数据集。该数据集有34个预测器和351个雷达返回的二进制响应，或坏(“b”）或好（'G'）。
负载电离层
培训二进制内核分类模型，标识雷达返回是否坏（“b”）或好（'G'）。
RNG（“默认”）再现性的百分比MDL = FITCKENEL（X，Y）;
MDL.是一个ClassificationKernel模型。
预测训练集，或重新替换，标签。
标签=预测(Mdl X);
构建一个混淆矩阵。
ConfusionTrain = confusionchart (Y,标签);
模型错误分配每个班级的一个雷达返回。
预测测试集标签
使用二元核分类模型预测测试集标签，并显示分类结果的混淆矩阵。
加载电离层数据集。该数据集有34个预测器和351个雷达返回的二进制响应，或坏(“b”）或好（'G'）。
负载电离层
将数据集划分为训练集和测试集。为测试集指定15%的抵抗度样本。
RNG（“默认”）再现性的百分比分区= cvpartition（y，“坚持”, 0.15);trainingInds =培训(分区);培训集的％指数testInds =测试(分区);%测试集索引
使用培训集列出二元内核分类模型。良好做法是定义班级订单。
mdl = fitckernel（x（traininginds，:)，y（trainingInds），'Classnames'，{“b”，'G'}）;
预测训练集标签和测试集标签。
LabelTrain =预测（MDL，X（TrainingInds，:)）;labeltest = predict（mdl，x（testinds，:)）;
构建训练集的混淆矩阵。
ConfusionTrain = confusionchart (Y (trainingInds), labelTrain);
该模型仅为每个班级返回一个雷达返回。
为测试集构造一个混淆矩阵。
ConfusionTest = confusionchart (Y (testInds), labelTest);
该模型将一个糟糕的雷达返回错误分类为一个好的回报，并且五个良好的雷达返回返回错误。
估计后验类概率
估计测试集的后验类概率，并通过绘制receiver operating characteristic (ROC)曲线确定模型的质量。核分类模型仅对logistic回归学习者返回后验概率。
加载电离层数据集。该数据集有34个预测器和351个雷达返回的二进制响应，或坏(“b”）或好（'G'）。
负载电离层
将数据集划分为训练集和测试集。为测试集指定30%坚持度样本。
RNG（“默认”）再现性的百分比分区= cvpartition（y，“坚持”，0.30）;trainingInds =培训(分区);培训集的％指数testInds =测试(分区);%测试集索引
培训二元内核分类模型。适合逻辑回归学习者。
mdl = fitckernel（x（traininginds，:)，y（trainingInds），．．．'Classnames'，{“b”，'G'}，'学习者'，“物流”）;
预测测试集的后验类别概率。
[〜，后部] =预测（MDL，x（测试，:)）;
因为MDL.有一个正规化强度，输出后是一个两列两行的矩阵，等于测试集观察的数量。列我包含后验概率Mdl.ClassNames(我)给出一个特殊的观察结果。
获得虚假和真正的阳性率，并估计曲线下的区域（AUC）。指定第二类是正类。
(玻璃钢,tpr, ~, auc) = perfcurve (Y (testInds)、后(:,2),Mdl.ClassNames (2));auc
AUC = 0.9042
AUC接近1，这表明该模型预测了标签良好。
绘制ROC曲线。
图;图(fpr,tpr) h = gca;h.XLim (1) = -0.1;h.YLim (2) = 1.1;包含('虚假阳性率'）ylabel（“真阳性率”） 标题（'roc曲线'）
输入参数
输出参数
更多关于
扩展功能
您还可以从以下列表中选择一个网站：
