文档帮助中心文档
预测高斯内核分类模型的标签
标签=预测(Mdl, X)
[标签,分数] =预测(MDL,x)
例子
标签=预测(MDL.,X)返回矩阵或表中预测器数据的预测类标签向量X,基于二元高斯内核分类模型MDL..
标签=预测(MDL.,X)
标签
MDL.
X
[标签,分数] =预测(MDL.,X)也退货分数分数对于这两个课程。
[标签,分数] =预测(MDL.,X)
分数
全部收缩
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')。
电离层
“b”
'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。
ClassificationKernel
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。
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。
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。
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。
后
我
Mdl.ClassNames(我)
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。
1
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')
二值核分类模型,指定为ClassificationKernel模型对象。你可以创建一个ClassificationKernel模型对象使用Fitconnelel..
Fitconnelel.
要分类的预测器数据,指定为数字矩阵或表。
每一排X对应于一个观察,并且每列对应于一个变量。
对于数值矩阵:
列中的变量X必须具有与培训的预测变量相同的顺序MDL..
如果你训练有素MDL.使用表(例如,TBL.) 和TBL.然后包含所有数字预测器变量,然后X可以是一个数字矩阵。治疗数字预测因子TBL.作为培训期间的分类,通过使用来确定分类预测因子分类预算名称 - 值对参数Fitconnelel..如果TBL.包含异构预测变量(例如,数字和分类数据类型)和X是一个数值矩阵,那么预测抛出错误。
TBL.
分类预算
预测
对于表:
预测不支持字符向量的单金宝app元格阵列以外的多色变量或单元格阵列。
如果你训练有素MDL.使用表(例如,TBL.),然后是所有预测变量X必须具有与那些训练过的相同的变量名和数据类型MDL.(存储在mdl.predictornames.)。但是,列顺序X不需要对应的列顺序TBL..还,TBL.和X可以包含额外的变量(响应变量、观察权重等),但是预测忽略了它们。
mdl.predictornames.
如果你训练有素MDL.使用数字矩阵,然后是预测器名称mdl.predictornames.和相应的预测变量名X肯定是一样的。要在训练期间指定预测器名称,请参见预测的人名称 - 值对参数Fitconnelel..所有预测因子变量X必须是数值向量。X可以包含额外的变量(响应变量、观察权重等),但是预测忽略了它们。
预测的人
数据类型:桌子|双倍的|单
桌子
双倍的
单
预测类标签,作为分类或字符数组、逻辑或数字矩阵或字符向量的单元格数组返回。
标签有n行,哪里n观察的次数在吗X,并具有与观察类类标签相同的数据类型(Y过去常训练MDL..(该软件将字符串数组视为字符向量的单元格数组。)
Y
预测将观察结果分类为获得最高分数的类别。
分类的分数,回归n-by-2数字数组,在哪里n观察的次数在吗X.评分(我,j)是分类观察的分数我成类j.mdl.classnames.存储类的顺序。
评分(我,j)
j
mdl.classnames.
如果mdl.learner.是“物流”,则分类得分为后验概率。
mdl.learner.
“物流”
对于内核分类模型,RAW分类分对观察进行分类x,行向量,进入正类是由
f ( x ) = T ( x ) β + b .
T ( · ) 是一种对特征扩展的观察的变换。
β为估计的系数列向量。
b为估计的标量偏差。
对分类的原始分类分数x变成了否定类−f(x).该软件将观察结果分类,得出一个积极的分数。
如果内核分类模型由Logistic回归学习者组成,则该软件适用分对数的分数转换为原始分类分数(见scoretransform.)。
分对数的
scoretransform.
使用说明和限制:
预测不支持高大金宝app桌子数据。
有关更多信息,请参阅高大的数组.
ClassificationKernel|Fitconnelel.|的简历|perfcurve.|confusionchart
的简历
perfcurve.
confusionchart
您拥有此示例的修改版本。您是否希望使用您的编辑打开此示例?
你点击一个链接对应于这个MATLAB命令:
在MATLAB命令窗口中输入它来运行命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:.
您还可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
联系您当地的办公室