resubLoss
由resubstitution分类错误
语法
L = resubLoss (obj)
L = resubLoss (obj、名称、值)
输入参数
|
判别分析分类器,生产使用 |
名称-值参数
指定可选的双参数作为Name1 = Value1,…,以=家
,在那里的名字
参数名称和吗价值
相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。
R2021a之前,用逗号来分隔每一个名称和值,并附上的名字
在报价。
LossFun
- - - - - -损失函数
“mincost”
(默认)|“binodeviance”
|“classifcost”
|“classiferror”
|“指数”
|“枢纽”
|分对数的
|“二次”
|函数处理
损失函数,指定为逗号分隔组成的“LossFun”
和一个内置的损失函数名或函数句柄。
下表列出了可用的损失函数。指定一个使用对应的特征向量或字符串标量。
价值 描述 “binodeviance”
二项异常 “classifcost”
观察到的误分类代价 “classiferror”
被误诊率小数 “指数”
指数损失 “枢纽”
铰链的损失 分对数的
物流损失 “mincost”
最小的预期的误分类代价(后验概率的分类评分) “二次”
二次损失 “mincost”
适合分类后验概率的分数。判别分析模型返回后验概率作为默认分类得分(见预测
)。指定你自己的函数使用函数处理符号。
假设
n
被观察的数量X
和K
不同的类的数目(元素个数(obj.ClassNames)
)。你的函数必须有这个签名lossvalue =
lossfun
(C、S、W、成本)输出参数
lossvalue
是一个标量。你选择函数名(
lossfun
)。C
是一个n
——- - - - - -K
逻辑矩阵行指示相应的观察所属的类。列顺序对应于类顺序obj.ClassNames
。构造
C
通过设置C (p, q) = 1
如果观察p
是在课堂上问
,为每一行。设置所有其他元素的行p
来0
。年代
是一个n
——- - - - - -K
数字矩阵分类的分数。列顺序对应于类顺序obj.ClassNames
。年代
分类是一个矩阵得分,类似的输出预测
。W
是一个n
1数字的观察向量权重。如果你通过W
,软件使他们和规范化1
。成本
是一个K——- - - - - -K
数字矩阵的误分类代价。例如,成本= 1 (K) -眼(K)
指定了一个成本0
正确的分类,1
误分类。
指定你的函数使用
“LossFun”@
。lossfun
损失函数的更多细节,请参阅分类损失。
数据类型:字符
|字符串
|function_handle
输出参数
|
分类错误,一个标量。错误的意义取决于价值观 |
例子
计算resubstituted分类错误费舍尔虹膜数据:
负载fisheriris obj = fitcdiscr(量、物种);L = resubLoss (obj) L = 0.0200
更多关于
分类损失
分类损失函数度量分类模型的预测误差。当你在考虑对比许多相同类型的损失模型,较低的损失表示一个更好的预测模型。
考虑以下场景。
l是加权平均分类损失。
n是样本容量。
二进制分类:
yj是观察到的类标签。软件代码为1或1,表明消极或积极类(或第一或第二课
一会
分别属性)。f(Xj观察)是positive-class分类评分(行)j预测的数据X。
米j=yjf(Xj)是分类的分类评分观察j相对应的类yj。积极的价值观米j显示正确的分类,不为平均损失作出多少贡献。负的米j显示不正确的分类和对平均损失作出了重大贡献。
对于支持多级分类的算法(即万博1manbetxK≥3):
yj*是一个向量的K- 1 0与1的位置对应于真实,观察类yj。例如,如果真正的第二步是第三类的类K= 4,然后y2*= (
0 0 1 0
]′。类的顺序对应订单的一会
输入模型的属性。f(Xj)是长度K向量类分数的观察j预测的数据X。分数的顺序对应类的顺序
一会
输入模型的属性。米j=yj*′f(Xj)。因此,米j的标量分类评分模型预测真实,观察类。
观察的重量j是wj。软件可实现观察权重,这样他们和前到相应的类存储在概率
之前
财产。因此,
鉴于这种情况,下表描述了支持损失函数,您可以指定使用万博1manbetxLossFun
名称-值参数。
损失函数 | 的价值LossFun |
方程 |
---|---|---|
二项异常 | “binodeviance” |
|
观察到的误分类代价 | “classifcost” |
在哪里 是最大的类标签对应类分数,然后呢 分类的用户指定的成本是一个观察到课吗 当它真正的类yj。 |
被误诊率小数 | “classiferror” |
在哪里我{·}是指标函数。 |
叉损失 | “crossentropy” |
加权熵损失
的权重 规范化和吗n而不是1。 |
指数损失 | “指数” |
|
铰链的损失 | “枢纽” |
|
分对数损失 | 分对数的 |
|
最小的预期错误分类成本 | “mincost” |
软件计算加权最小分类会带来成本使用这个过程观察j= 1,…,n。
加权平均的误分类代价最小的预期损失
|
二次损失 | “二次” |
如果你使用默认成本矩阵的元素值为0为不正确的分类正确的分类和1),那么损失值“classifcost”
,“classiferror”
,“mincost”
都是相同的。模型与一个默认的成本矩阵,“classifcost”
等于损失“mincost”
大部分的时间损失。这些损失可以是不同如果预测到最大后验概率的类是不同的从预测到类以最小的预期成本。请注意,“mincost”
只有分类是合适的分数是后验概率。
这个图比较了损失函数(除了“classifcost”
,“crossentropy”
,“mincost”
)得分米一个观察。一些函数归一化通过点(0,1)。
后验概率
一个点的后验概率x属于类k先验概率的乘积,多元正态密度。多元正态的密度函数与1 -d的意思是μk和d——- - - - - -d协方差Σk在1 -d点x是
在哪里 Σ的行列式吗k, 是逆矩阵。
让P(k代表类的先验概率k。然后一个观察的后验概率x的类k是
在哪里P(x)是一个归一化常数,求和k的P(x|k)P(k)。
先验概率
先验概率是三个选择:
“统一”
——类的先验概率k
是一个类的总数。“经验”
——类的先验概率k
是类的训练样本的数量吗k
除以总数量的训练样本。自定义类的先验概率
k
是k
的th元素之前
向量。看到fitcdiscr
。
在创建一个分类模型(Mdl
),您可以设置之前使用点符号:
Mdl。Prior = v;
在哪里v
是一个向量的积极元素代表每个元素出现的频率。你不需要重新训练分类器之前当你设置一个新的。
成本
矩阵的预期成本每观察中定义成本。
MATLAB-Befehl
您有窗户的链接geklickt,汪汪汪der diesem MATLAB-Befehl entspricht:
在das MATLAB-Befehlsfenster Fuhren您窝Befehl军队Eingabe来自。浏览器unterstutzen MATLAB-Befehle。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。