重新预订

班级：ClassificationniveBayes.

预测幼稚贝叶斯分类器的重新提交标签

展开所有页面

句法

标签= ResubPredict（MDL）
[标签，后，成本] =预测（MDL）

描述

例子

标签= ResubPredict（MDL.）返回预测类标签的向量（标签）对于训练有素的朴素贝叶斯分类器MDL.使用预测器数据mdl.x.。

例子

[标签那后面那成本] =预测（MDL.）另外退货后概率（后面）并预测（预期）错误分类成本（成本）对应于观察（行）mdl.x.。

输入参数

展开全部

一个完全训练的天真贝叶斯分类器，指定为aClassificationniveBayes.模型训练有素Fitcnb.。

输出参数

展开全部

预测类标签，作为分类向量，字符阵列，逻辑或数字矢量或字符向量的小区数组。

标签：

  • 与观察类类标签相同的数据类型（y）训练有素MDL.。（该软件将字符串数组视为字符向量的单元格阵列。）

  • 长度等于行数X。

  • 该阶级是否产生最低预期的错误分类费用（成本）。

班级后概率，作为数字矩阵返回。后面具有等于​​行数的行mdl.x.和列等于培训数据中的不同类的数量（大小（mdl.classnames，1））。

后（J，K）是课程的预测后概率K.（即在课堂上mdl.classnames（k））考虑到行中的观察j的mdl.x.。

数据类型：双倍的

预期的错误分类成本，作为数字矩阵返回。成本具有等于​​行数的行mdl.x.和列等于培训数据中的不同类的数量（大小（mdl.classnames，1））。

成本（J，K）是行中观察的预期错误分类成本j的mdl.x.被预测成课堂K.（即在课堂上mdl.classnames（k））。

例子

展开全部

打开直播脚本

装载Fisher的Iris数据集。

加载渔民x = meas;％预测因子y =物种;％ 回复

训练一个天真的贝叶斯分类器。指定类订单是良好的做法。假设每个预测器是有条件的，通常以其标签分布。

mdl = fitcnb（x，y，......'classnames'，{'setosa'那'versicolor'那'virginica'}）;

MDL.是A.ClassificationniveBayes.分类器。

预测培训样本标签。显示10个观察结果。

标签= ResubPredict（MDL）;RNG（1）;重复性的％idx = randsample（size（x，1），10）;表（y（idx），标签（idx），'variablenames'那......{'truilabel'那'predightlabel'}）
ans =.10×2表truelabel predightlabel ______________ ______________ {'setosa'} {'versicolor'} {'versicolor'} {'versicolor'} {'versicolor'} {'versicica'} {'virginica'} {'setosa'} {'setosa'} {versicolor'} {versicolor'} {'versicolor'} {'setosa'} {'versicolor'} {versicolor'} {versicolor'} {'versicolor'} {'versicolor'} {'setosa'} {'setosa'} {'setosa'} {'setosa'}
打开直播脚本

装载Fisher的Iris数据集。

加载渔民x = meas;％预测因子y =物种;％ 回复

训练一个天真的贝叶斯分类器。指定类订单是良好的做法。假设每个预测器是有条件的，通常以其标签分布。

mdl = fitcnb（x，y，......'classnames'，{'setosa'那'versicolor'那'virginica'}）;

MDL.是A.ClassificationniveBayes.分类器。

估算后验概率和培训数据的预期错误分类成本。显示结果10观察结果。

[标签，后，错误源] = ResubPredict（MDL）;RNG（1）;重复性的％idx = randsample（size（x，1），10）;mdl.classnames.
ans =.3x1细胞{'setosa'} {'versicolor'} {'virginica'}
表（Y（IDX），标签（IDX），后退（IDX，:)，'variablenames'那......{'truilabel'那'predightlabel'那'后摩降性'}）
ans =.10×3表TrueLabel PredictedLabel PosteriorProbability ______________ ______________ _________________________________________ { 'setosa'} { 'setosa'} 1 3.8821e-16 5.5878e-24 { '云芝'} { '云芝'} 1.2516e-54 4.5001e 1-06 { '锦葵'} {'锦葵'} 5.5646e-188 0.00058232 0.99942 { 'setosa'} { 'setosa'} 1 4.5352e-20 3.1301e-27 { '云芝'} { '云芝'} 5.0002e-69 0.99989 0.00010716 { 'setosa'}{'setosa'} 1 2.9813E-18 2.1524E-25 {'versicolor'} {'versicolor'} 4.6313E-60 0.99999 7.5413E-06 {versicolor'} {'versicolor'} 7.9205e-100 0.94293 0.057072 {'setosa'} {'setosa'} 1 1.799E-19 6.0606E-27 {'setosa'} {'setosa'} 1 1.5426E-17 1.2744E-24
错误播放（IDX，:)
ans =.10×3.0.0000 1.0000 1.0000 1.0000 0.0000 1.0000 1.0000 0.9994 0.0006 0.0000 1.0000 1.0000 1.0000 0.0001 0.9999 0.0000 1.0000 1.0000 1.0000 0.0000 1.0000 1.0000 0.0571 0.9429 0.0000 1.0000 1.0000 0.0000 1.0000 1.0000

列的顺序后面和错分对应于类的顺序mdl.classnames.。

更多关于

展开全部

参考

[1] Hastie，T.，R. Tibshirani和J. Friedman。统计学习的要素， 第二版。纽约：斯普林斯，2008年。

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

掌握机器学习：使用MATLAB逐步指南

下载电子书