损失

广义可加模型的分类损失

页面上倒塌

句法

l =损失（MDL，TBL，ResponseVarname）

L =损失(Mdl台,Y)

l =损耗（mdl，x，y）

L =损失(___、名称、值)

描述

L.=损失（MDL.那资源描述那ResponseVarName）返回分类损失（L.），标量表示广义添加剂模型的程度如何MDL.对预测器数据进行分类资源描述与中真正的类标签相比tbl.responsevarname.．

解释L.取决于损失功能（'lockfun'）和加权方案（'重量'）。通常，更好的分类器产生较小的分类损失值。默认值'lockfun'价值是“classiferror”（小数中的错误分类率）。

L.=损失（MDL.那资源描述那y）使用表中的预测器数据资源描述和真正的类标签y．

例子

L.=损失（MDL.那X那y）使用矩阵中的预测器数据X和真正的类标签y．

例子

L.=损失（___那名称，价值）除了先前语法中的任何输入参数组合之外，使用一个或多个名称值参数指定选项。例如，“LossFun”、“mincost”将损失函数设置为最小预期误分类代价函数。

例子

全部收缩

确定测试样本分类损失

打开直播脚本

确定广义添加剂模型的测试样本分类误差（丢失）。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。

加载电离层数据集。此数据集具有34个预测器和351个雷达返回的二进制响应，无论是坏的吗（'B')或好(‘g’）。

加载电离层

利用系统中的类信息，将观测数据随机划分为训练集和测试集，并进行分层y．指定30％HoldOut样本进行测试。

rng (“默认”）%的再现性简历= cvpartition (Y,“坚持”，0.30）;

提取培训和测试指数。

训练=训练（简介）;testinds =测试（CV）;

指定培训和测试数据集。

xtrain = x（训练，:);ytrain = y（训练器）;xtest = x（testinds，:);ytest = y（testinds）;

使用预测器训练游戏XTrain.和班级标签ytrain.．推荐的做法是指定类名。

mdl = fitcgam（Xtrain，Ytrain，“类名”，{'B'那‘g’}）;

MDL.是一个ClassificationGAM模型对象。

通过估计测试样本分类误差来确定算法概括的程度。默认情况下，损失功能ClassificationGAM估计分类误差使用“classiferror”损失(十进制误分类率)。

L =损失(Mdl XTest、欧美)

L = 0.1052

训练有素的分类器错误分类约11％的测试样本。

通过检查分类损失来比较Gam

打开直播脚本

培训包含预测器的线性和交互术语的广义添加剂模型（GAM），并估计具有互动条款的分类损失。在估计培训和测试数据的分类损失时，是否指定是否包括交互术语。

加载电离层数据集。此数据集具有34个预测器和351个雷达返回的二进制响应，无论是坏的吗（'B')或好(‘g’）。

加载电离层

将数据分组到两组：一个包含培训数据，另一组包含新的未观察到的测试数据。保留用于新测试数据集的50个观察。

rng (“默认”）%的再现性n =大小(X, 1);newInds = randsample (n, 50);第1 = ~ ismember (1: n, newInds);XNew = X (newInds:);YNew = Y (newInds);

使用预测器训练游戏X和班级标签y．推荐的做法是指定类名。指定包含10个最重要的交互条款。

mdl = fitcgam（x（inds，:)，y（inds），“类名”，{'B'那‘g’}，'互动'，10）

Mdl = classificationongam ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' ' 'g'} ScoreTransform: 'logit' Intercept: 2.0026 Interactions: [10x2 double] NumObservations: 301属性，方法

MDL.是一个ClassificationGAM模型对象。

计算有和无交互项时的再替换分类损失MDL.．要排除交互术语，请指定'internalidantaction'，false．

RESUBL = RERUBLOS（MDL）

resubl = 0.

resubl_nointeraction = resubLoss (Mdl,'internalideraction'，错误的）

RERUBL_NOINTERACTION = 0.

估计有和无交互项时的分类损失MDL.．

l =损失（MDL，Xnew，Ynew）

L = 0.0615.

l_nointeraction =损失（mdl，xnew，ynew，'internalideraction'，错误的）

l_nointeraction = 0.0615

包括互动条款不会改变分类损失MDL.．培训的模型正确对所有培训样本进行了分类，并错误分类约6％的测试样本。

输入参数

全部收缩

`MDL.`-广义添加剂模型
`ClassificationGAM`模型对象|`CompactClassificationgam.`模型对象

广义可加性模型，指定为ClassificationGAM要么CompactClassificationgam.模型对象。

如果你训练有素MDL.使用表中包含的示例数据，然后输入数据损失也必须在桌子里（资源描述）。
如果你训练有素MDL.使用矩阵中包含的样本数据，然后输入数据损失也必须是矩阵（X）。

`资源描述`-样本数据
桌子

示例数据，指定为表。每一排资源描述对应一个观察值，每一列对应一个预测变量。除了字符向量的单元格数组之外，不允许使用多列变量和单元格数组。

资源描述必须包含所有用于训练的预测因子吗MDL.．可选地，资源描述可以包含一列作为响应变量，一列作为观察权值。

响应变量必须具有相同的数据类型mdl.y.．（该软件将字符串数组视为字符向量的单元格阵列。）如果响应变量资源描述与用于训练的响应变量具有相同的名称MDL.，那么你不需要指定ResponseVarName．
权值必须是一个数字向量。中必须指定观测权值资源描述通过使用'重量'．

如果你训练有素MDL.使用表中包含的示例数据，然后输入数据损失也必须在桌子里。

数据类型:桌子

`ResponseVarName`-响应变量名
变量名称`资源描述`

响应变量名称，指定为字符向量或字符串标量，包含响应变量的名称资源描述．例如，如果响应变量y存储在资源描述。y，然后将其指定为'是'．

数据类型:字符|字符串

`y`-类标签
分类阵列|字符阵列|字符串数组|逻辑向量|数字矢量|字符向量的单元格数组

类标签，指定为分类，字符或字符串阵列，逻辑或数字矢量或字符向量的单元格数组。每一排y表示相应行的分类X要么资源描述．

y必须具有相同的数据类型mdl.y.．（该软件将字符串数组视为字符向量的单元格阵列。）

数据类型:单身的|双|分类|逻辑|字符|字符串|细胞

`X`-预测数据
数字矩阵

预测数据，指定为数字矩阵。每一排X对应一个观察值，每一列对应一个预测变量。

如果你训练有素MDL.使用矩阵中包含的样本数据，然后输入数据损失也必须在矩阵中。

数据类型:单身的|双

名称值对参数

指定可选的逗号分离对名称，价值参数。名称是参数名称和价值是相应的价值。名称必须出现在引号内。您可以以任何顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:'internalidantaction'，false，'重量'，w指定从模型中排除交互术语并使用观察权重W.．

`'internalideraction'`-标志包括互动条款
`真的`|`错误的`

标记以包含模型的交互术语，指定为真的要么错误的．

默认值'internalideraction'价值是真的如果MDL.包含交互术语。价值必须是错误的如果模型不包含交互术语。

例子:'internalidantaction'，false

数据类型:逻辑

`'lockfun'`-损失函数
`“classiferror”`（默认）|`'binodeviance'`|`“指数”`|`'合页'`|`'logit'`|`'Mincost'`|`“二次”`|功能手柄

丢失函数，指定为内置丢失函数名称或函数句柄。

此表列出了可用损耗功能。使用其对应的字符向量或字符串标量指定一个。

价值	描述
`'binodeviance'`	二项式偏差
`“classiferror”`	小数点被错误分类
`“指数”`	指数损失
`'合页'`	铰链的损失
`'logit'`	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

有关丢失功能的更多详细信息，请参阅分类损失．

要指定自定义丢失功能，请使用函数句柄表示法。该函数必须具有此表单：
```
lossvalue =损失义务(C、S、W、成本)
```
- 输出参数失值是一个标量。
- 您指定函数名称（损失义务）。
- C是一个N——- - - - - -K.逻辑矩阵，其行表示相应的观测所属的类。N是观察人数资源描述要么X，和K.是不同类的数量（numel（mdl.classnames）．列顺序对应于类顺序mdl.classnames.．创建C通过设置c（p，q）= 1，如果观察P.是在课堂上问：每行。设置行的所有其他元素P.到0.．
- S.是一个N——- - - - - -K.分类分数的数字矩阵。列顺序对应于类顺序mdl.classnames.．S.是一个分类评分的矩阵，类似于输出预测．
- W.是一个N- 1个数字矢量重量的数字矢量。
- 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.正确分类和1误分类。

例子:“LossFun”、“binodeviance”

数据类型:字符|字符串|function_handle.

`'重量'`-观察权重
`（大小（x，1），1）`（默认）|标量值矢量|变量名称`资源描述`

观察权重，指定为标量值的向量或变量的名称资源描述．该软件对每一行的观察结果进行加权X要么资源描述具有相应的价值重量．的大小重量必须等于行的数量X要么资源描述．

如果您将输入数据指定为表资源描述，然后重量可以是变量的名称资源描述它包含一个数字向量。在这种情况下，您必须指定重量作为字符向量或字符串标量。例如，如果权重向量W.存储在资源描述。W.，然后将其指定为'W'．

损失对每个类别的权重进行归一化，使其与各自类别的先验概率值相加。

数据类型:单身的|双|字符|字符串

更多关于

全部收缩

分类损失

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。
y_j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（X_j)为观察(行)的阳性分类评分j预测数据X．
m_j=y_jF（X_j)为分类观察的分类评分j进入对应的课程y_j．正值m_j表明正确的分类，并没有为平均损失贡献。负值m_j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，

${σ.}_{j = 1}^{N} {W.}_{j} = 1。$

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'`	$L. = {σ.}_{j = 1}^{N} {W.}_{j} 日志 {1 + exp. [- 2 m_{j}]} ．$
指数损失	`“指数”`	$L. = {σ.}_{j = 1}^{N} {W.}_{j} exp. （ - m_{j} ）．$
小数点被错误分类	`“classiferror”`	$L. = {σ.}_{j = 1}^{N} {W.}_{j} 一世 {{\hat{y}}_{j} \neq y_{j}} ．$ ${\hat{y}}_{j}$ 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'`	$L. = {σ.}_{j = 1}^{N} {W.}_{j} 最大限度 {0. 那 1 - m_{j}} ．$
Logit损失	`'logit'`	$L. = {σ.}_{j = 1}^{N} {W.}_{j} 日志（ 1 + exp. （ - m_{j} ））．$
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X_j进入课堂K.： $γ_{j K.} = {（ F {（ X_{j} ）}^{'} C ）}_{K.} ．$ F（X_j）是对观察的二元和多字母分类的类后验概率的柱矢量X_j．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： ${\hat{y}}_{j} = \underset{K. = 1 那 ...... 那 K.}{argmin} γ_{j K.} ．$ 使用C，确认已发生的成本(C_j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 $L. = {σ.}_{j = 1}^{N} {W.}_{j} C_{j} ．$ 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”`	$L. = {σ.}_{j = 1}^{N} {W.}_{j} {（ 1 - m_{j} ）}^{2} ．$

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）。

也可以看看

边缘|利润|预测|resubloss.

话题

训练二值分类的广义加性模型

在R2021A介绍

损失

句法

描述

例子

确定测试样本分类损失

通过检查分类损失来比较Gam

输入参数

`MDL.`-广义添加剂模型
`ClassificationGAM`模型对象|`CompactClassificationgam.`模型对象

`资源描述`-样本数据
桌子

`ResponseVarName`-响应变量名
变量名称`资源描述`

`y`-类标签
分类阵列|字符阵列|字符串数组|逻辑向量|数字矢量|字符向量的单元格数组

`X`-预测数据
数字矩阵

名称值对参数

`'internalideraction'`-标志包括互动条款
`真的`|`错误的`

`'lockfun'`-损失函数
`“classiferror”`（默认）|`'binodeviance'`|`“指数”`|`'合页'`|`'logit'`|`'Mincost'`|`“二次”`|功能手柄

`'重量'`-观察权重
`（大小（x，1），1）`（默认）|标量值矢量|变量名称`资源描述`

更多关于

分类损失

也可以看看

话题

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习：使用MATLAB逐步指南

损失

句法

描述

例子

确定测试样本分类损失

通过检查分类损失来比较Gam

输入参数

MDL.-广义添加剂模型ClassificationGAM模型对象|CompactClassificationgam.模型对象

资源描述-样本数据桌子

ResponseVarName-响应变量名变量名称资源描述

y-类标签分类阵列|字符阵列|字符串数组|逻辑向量|数字矢量|字符向量的单元格数组

X-预测数据数字矩阵

名称值对参数

'internalideraction'-标志包括互动条款真的|错误的

'lockfun'-损失函数“classiferror”（默认）|'binodeviance'|“指数”|'合页'|'logit'|'Mincost'|“二次”|功能手柄

'重量'-观察权重（大小（x，1），1）（默认）|标量值矢量|变量名称资源描述

更多关于

分类损失

也可以看看

话题

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习：使用MATLAB逐步指南

`MDL.`-广义添加剂模型
`ClassificationGAM`模型对象|`CompactClassificationgam.`模型对象

`资源描述`-样本数据
桌子

`ResponseVarName`-响应变量名
变量名称`资源描述`

`y`-类标签
分类阵列|字符阵列|字符串数组|逻辑向量|数字矢量|字符向量的单元格数组

`X`-预测数据
数字矩阵

`'internalideraction'`-标志包括互动条款
`真的`|`错误的`

`'lockfun'`-损失函数
`“classiferror”`（默认）|`'binodeviance'`|`“指数”`|`'合页'`|`'logit'`|`'Mincost'`|`“二次”`|功能手柄

`'重量'`-观察权重
`（大小（x，1），1）`（默认）|标量值矢量|变量名称`资源描述`