文档帮助中心
预测标签高斯核分类模型
标记=预测(MDL,X)
[标签,分数] =预测(MDL,X)
例
标签=预测(MDL,X)返回预测类别标签在预测数据中的每个观测X基于二进制高斯核分类模型MDL。
标签=预测(MDL,X)
标签
MDL
X
[标签,得分] =预测(MDL,X)也回报分类评分这两个类。
[标签,得分] =预测(MDL,X)
得分
全部收缩
预测使用二进制内核分类模型训练集的标签,并显示所得到的分类的混淆矩阵。
加载电离层数据集。该数据集具有34个预测和雷达回波351个二进制应答,要么坏('B')或良好('G')。
电离层
'B'
'G'
加载电离层
培养一个二进制内核分类模型,识别是否该雷达回波是坏的('B')或良好('G')。
RNG('默认')%用于重现MDL = fitckernel(X,Y);
MDL是ClassificationKernel模型。
ClassificationKernel
预测训练集,或resubstitution,标签。
标记=预测(MDL,X);
构造一个混淆矩阵。
ConfusionTrain = confusionchart(Y,标签);
该模型misclassifies一个雷达回波为每个类。
预测使用二进制内核分类模型测试设置的标签,并显示所得到的分类的混淆矩阵。
分区中的数据集分成训练和测试集。指定测试组15%的保留样本。
RNG('默认')%用于重现分区= cvpartition(Y,'坚持',0.15);trainingInds =训练(分区);对于训练集%指标testInds =试验(分区);对于测试集%指数
训练使用训练集的二进制内核分类模型。一个好的做法是定义类的顺序。
MDL = fitckernel(X(trainingInds,:),Y(trainingInds),“类名”{'B','G'});
预测训练集标签和测试集的标签。
labelTrain =预测(MDL,X(trainingInds,:));labelTest =预测(MDL,X(testInds,:));
构建训练集的混淆矩阵。
ConfusionTrain = confusionchart(Y(trainingInds),labelTrain);
该模型misclassifies只有一个雷达回波为每个类。
构建用于测试集混淆矩阵。
ConfusionTest = confusionchart(Y(testInds),labelTest);
该模型misclassifies一个坏的雷达回波做一个好的回报,五个好雷达回波为糟糕的回报。
为测试组估计后验类概率,并且通过绘制一个接收器操作特性(ROC)曲线确定模型的质量。核心分类模型返回只有回归学习者的后验概率。
分区中的数据集分成训练和测试集。指定测试组30%的保留样本。
RNG('默认')%用于重现分区= cvpartition(Y,'坚持',0.30);trainingInds =训练(分区);对于训练集%指标testInds =试验(分区);对于测试集%指数
培养一个二进制内核分类模型。适合logistic回归学习者。
MDL = fitckernel(X(trainingInds,:),Y(trainingInds),...“类名”{'B','G'},'学习者',“物流”);
预测测试集的后验概率类。
[〜,后] =预测(MDL,X(testInds,:));
因为MDL具有一个正则化强度,输出后是具有两列的矩阵和行等于测试设定观测值的数目。柱一世包含的后验概率Mdl.ClassNames(I)给定一个特定的观察。
后
一世
Mdl.ClassNames(I)
获取虚假和真实的阳性率,曲线(AUC)下估计的区域。指定第二类是积极类。
[FPR,TPR,〜,AUC] = perfcurve(Y(testInds),后(:,2),Mdl.ClassNames(2));AUC
AUC = 0.9042
该AUC接近1,这表明该模型预测标签良好。
1
绘制ROC曲线。
数字;情节(FPR,TPR)H = GCA;h.XLim(1)= -0.1;h.YLim(2)= 1.1;xlabel(“假阳性率”)ylabel(“真阳性率”)标题(“ROC曲线”)
二进制内核分类模型,指定为ClassificationKernel模型对象。您可以创建一个ClassificationKernel使用模型对象fitckernel。
fitckernel
预测数据,指定为ñ-通过-p数字矩阵,其中ñ是观测值的数量和p用于列车的预测变量数MDL。
数据类型:单|双
单
双
预测类别标签,返回作为分类或字符阵列,逻辑或数字矩阵,或字符向量的单元阵列。
标签有ñ行,其中ñ是观测的数量X,并且具有相同的数据类型作为观察类别标签(ÿ)用于训练MDL。(该软件把字符串数组作为字符向量的单元阵列。)
ÿ
预测意见进行分类进级产生的最高得分。
预测
分类评分,返回一个ñ-by-2数字阵列,其中ñ是观测的数量X。得分(一世,Ĵ)是分数分级观察一世成classĴ。Mdl.ClassNames存储类的顺序。
得分(一世,Ĵ)
Ĵ
Mdl.ClassNames
如果Mdl.Learner是“物流”,然后分类分值后验概率。
Mdl.Learner
“物流”
对于内核分类模型,原始分类评分为观察分类X,一个行向量,到正类由下式定义
F ( X ) = Ť ( X ) β + b 。
Ť ( · ) 是对功能扩展的观察的变换。
β是系数的估计的列向量。
b是估计标量偏差。
原始分类分数分级X成阴性类是-F(X)。该软件进行分类观察到的是得到正分的类。
如果内核分类模型由Logistic回归学习者,那么软件应用'Logit模型'分数转化为原始分数分类(见ScoreTransform)。
'Logit模型'
ScoreTransform
此功能完全支持高大的阵列。万博1manbetx您可以使用培训了无论是在内存或使用此功能高大的数据模型。
欲了解更多信息,请参阅高大的数组(MATLAB)。
ClassificationKernel|confusionchart|fitckernel|perfcurve|恢复
confusionchart
perfcurve
恢复
这个例子的修改版本的系统上存在。你要打开这个版本呢?
您单击对应于该MATLAB命令的链接:
在MATLAB命令窗口中输入它运行的命令。Web浏览器不支持MATLAB的命令。万博1manbetx
选择一个网站,以获得翻译的内容,其中可看到当地的活动和优惠。根据您的位置,我们建议您选择:。
您还可以选择从下面的列表中的网站:
选择最佳的网站性能的中国网站(在中国或英文)。其他MathWorks的国家网站都没有从您的位置访问进行了优化。
请联系您当地的办事处