预测
预测标签高斯核分类模型
描述
例子
预测训练集标签
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'）。
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。
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。
预计测试组标签
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。
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'）。
加载电离层
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。
估计后验概率类
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。
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'）。
加载电离层
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。
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。
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”）
输入参数
输出参数
更多关于
扩展功能
介绍了在R2017b
您还可以选择从下面的列表中的网站：
