分类损失功能测量分类模型的预测不准确性。当您在许多模型之间比较相同类型的损耗时,较低的损耗表示更好的预测模型。
假设以下内容:
L.是加权平均分类损失。
N是样本大小。
yj是观察到的类标签。软件将其代码为-1或1,表示负类或正类(或第一个或第二类Classnames.
分别属性)。
F(Xj)为观察(行)的阳性分类评分j预测数据X.
mj=yjF(Xj)为分类观察的分类评分j进入对应的课程yj.正值mj表明正确的分类,并没有为平均损失贡献。负值mj指出错误的分类,并对平均损失有很大的贡献。
观察的重量j是W.j.该软件将观察权重标准化,使得它们总和到相应的先前类概率。该软件还规范化了现有概率,以便它们总和为1.因此,
此表介绍了您可以使用使用的支持损耗功能万博1manbetx'lockfun'
名称-值参数。
损失函数 |
的价值LossFun |
方程 |
二项式偏差 |
'binodeviance' |
|
指数损失 |
“指数” |
|
小数点被错误分类 |
“classiferror” |
是与具有最大分数的类对应的类标签。一世{·}是指示函数。 |
铰链的损失 |
'合页' |
|
Logit损失 |
'logit' |
|
最小预期错误分类费用 |
'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.
估计分类观察的预期错误分类成本Xj进入课堂K.:
F(Xj)是对观察的二元和多字母分类的类后验概率的柱矢量Xj.C是存储在的成本矩阵成本 模型的财产。
对于观察j,预测对应于最小预期错误分类成本的类标签:
使用C,确认已发生的成本(Cj用于制作预测。
最小预期错误分类成本损失的加权平均值是
如果使用默认成本矩阵(其元素值为0对于正确分类和1个不正确的分类),则'Mincost' 损失相当于“classiferror” 的损失。 |
二次损失 |
“二次” |
|
该图比较了损耗功能(除了'Mincost'
超过分数m一个观察。某些功能被归一化以通过点(0,1)。