resubLoss

类:ClassificationDiscriminant

再代换造成的分类错误

全部展开页面

语法

L = resubLoss (obj) L = resubLoss (obj、名称、值)

描述

l= resubLoss (obj）返回重新替换损失，即为该数据计算的损失fitcdiscr用于创建obj．

l= resubLoss (obj，名称,值）返回由一个或多个指定的附加选项的损失统计信息名称,值对参数。

输入参数

全部展开

obj

判别分析分类器，产生使用fitcdiscr．

名称-值对的观点

指定可选的逗号分隔的对名称,值参数。的名字参数名和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

`“LossFun”`- - - - - -损失函数
`“mincost”`(默认)|`“binodeviance”`|`“classiferror”`|`“指数”`|`“枢纽”`|`分对数的`|`“二次”`|函数处理

损失函数，指定为逗号分隔对组成“LossFun”以及一个内置的丢失函数名或函数句柄。

下表列出了可用的损耗函数。使用相应的字符向量或字符串标量指定一个。

价值	描述
`“binodeviance”`	二项异常
`“classiferror”`	十进制错误分类率
`“指数”`	指数损失
`“枢纽”`	铰链的损失
`分对数的`	物流损失
`“mincost”`	最小的预期误分类成本(用于后验概率的分类分数)
`“二次”`	二次损失

“mincost”适用于后验概率的分类分数。判别分析模型默认返回后验概率作为分类分数(见预测）.

使用函数句柄表示法指定你自己的函数。
假设n是观测的次数X和K为不同类别的数目(元素个数(obj.ClassNames)）.您的函数必须有这个签名
```
lossvalue =lossfun(C、S、W、成本)
```
地点:
- 输出参数lossvalue是一个标量。
- 选择函数名(lossfun）.
- C是一个n——- - - - - -K逻辑矩阵，其行表示相应的观测属于哪一类。中的列顺序对应于类的顺序obj。ClassNames．
  构造C通过设置C (p, q) = 1如果观察p是在课堂上问，每一行。设置行中的所有其他元素p来0．
- 年代是一个n——- - - - - -K分类分数的数值矩阵。中的列顺序对应于类的顺序obj。ClassNames．年代是一个矩阵的分类分数，类似于输出预测．
- W是一个n-乘1数值向量的观测权值。如果你通过W，软件将它们的总和标准化1．
- 成本是一个K——- - - - - -K误分类代价的数值矩阵。例如,Cost = ones(K) - eye(K)指定0为正确的分类，和1误分类。
使用以下命令指定函数“LossFun”@lossfun．

有关损失函数的详细信息，请参见分类损失．

数据类型:字符|字符串|function_handle

输出参数

`l`	分类误差，标量。错误的含义取决于其中的值`权重`和`lossfun`．看到分类损失．

例子

计算Fisher虹膜数据的再替换分类误差:

Load fisheries obj = fitcdiscr(meas,species);L = resubLoss(obj

更多关于

全部展开

分类损失

分类损失函数测量分类模型的预测不准确性。当你在许多模型中比较同一类型的损失时，损失越低表明预测模型越好。

考虑以下场景。

l为加权平均分类损失。
n为样本量。
二进制分类:
- y_j是被观察的类标签。软件将其编码为-1或1，表示负类或正类(或中第一类或第二类)一会分别属性)。
- f（X_j)为观察(行)的阳性分类评分j预测数据的X．
- 米_j＝y_jf（X_j)为分类观察的分类评分j对应的类y_j．积极的价值观米_j表明正确的分类，对平均损失贡献不大。负的米_j指出错误的分类，并对平均损失有很大的贡献。
对于支持多类分类的算法(即，万博1manbetxK≥3)：
- y_j^＊是向量K- 1个零，1在对应于真实的，观察类的位置y_j．例如，如果第二个观察的真正类是第三类和K= 4,然后y₂^＊= [0 0 1 0] '．类的顺序对应于一会输入模型的属性。
- f（X_j)为长度K用于观察的班级分数向量j预测数据的X．分数的顺序与表中班级的顺序相对应一会输入模型的属性。
- 米_j＝y_j^＊′f（X_j）.因此,米_j是模型对真实的、观察到的类所预测的标量分类分数。
观测权重j是w_j．该软件将观测权值归一化，使其和为相应的先验类别概率。软件还将先验概率归一化，使其和为1。因此,

$\sum_{j ＝ 1}^{n} w_{j} ＝ 1.$

给定此场景，下表描述了支持的损失函数，可以使用万博1manbetx“LossFun”名称-值对的论点。

损失函数	的价值`LossFun`	方程
二项异常	`“binodeviance”`	$l ＝ \sum_{j ＝ 1}^{n} w_{j} 日志｛ 1 + 经验值［ - 2 米_{j} ］｝．$
十进制错误分类率	`“classiferror”`	$l ＝ \sum_{j ＝ 1}^{n} w_{j} 我｛ {\overset{＾}{y}}_{j} \neq y_{j} ｝．$ ${\overset{＾}{y}}_{j}$ 为得分最大的类对应的类标签。我｛·}是指示函数。
叉损失	`“crossentropy”`	`“crossentropy”`仅适用于神经网络模型。加权交叉熵损失是 $l ＝ - \sum_{j ＝ 1}^{n} \frac{{\tilde{w}}_{j} 日志（米_{j} ）}{K n} ，$ 的权重 ${\tilde{w}}_{j}$ 都归一化为n而不是1。
指数损失	`“指数”`	$l ＝ \sum_{j ＝ 1}^{n} w_{j} 经验值（ - 米_{j} ）．$
铰链的损失	`“枢纽”`	$l ＝ \sum_{j ＝ 1}^{n} w_{j} 马克斯｛ 0 ， 1 - 米_{j} ｝．$
分对数损失	`分对数的`	$l ＝ \sum_{j ＝ 1}^{n} w_{j} 日志（ 1 + 经验值（ - 米_{j} ））．$
最小的误分类成本	`“mincost”`	`“mincost”`只有当分类分数是后验概率时才合适。该软件计算加权最小期望分类成本使用这一程序的观察j= 1,…,n．估计对观测数据进行分类的预期误分类成本X_j到类k： $γ_{j k} ＝ {（ f {（ X_{j} ）}^{'} C ）}_{k} ．$ f（X_j)为观测的二值和多类分类的类后验概率列向量X_j．C成本矩阵存储在`成本`模型的属性。为观察j，预测与最小预期误分类成本相对应的类别标签: ${\overset{＾}{y}}_{j} ＝ \underset{k ＝ 1 ，．．. ， K}{argmin} γ_{j k} ．$ 使用C，确认已发生的成本(c_j)做了预测。最小期望误分类代价损失的加权平均值为 $l ＝ \sum_{j ＝ 1}^{n} w_{j} c_{j} ．$ 如果使用默认代价矩阵(其元素值为0表示正确分类，1表示不正确分类)，则`“mincost”`失则等于失`“classiferror”`的损失。
二次损失	`“二次”`	$l ＝ \sum_{j ＝ 1}^{n} w_{j} {（ 1 - 米_{j} ）}^{2} ．$