保证金
神经网络分类器的分类边缘
语法
描述
米=利润(Mdl，资源描述，ResponseVarName）Mdl使用表中的预测数据资源描述的类标签ResponseVarName表变量。
米作为数字向量返回，其我第Th项对应于我th观察资源描述．
例子
神经网络的测试集分类边缘
计算神经网络分类器的测试集分类边缘。
加载病人数据集。从数据集创建一个表。每一行对应一个病人，每一列对应一个诊断变量。使用吸烟者变量作为响应变量，其余变量作为预测变量。
负载病人台=表(舒张压、收缩压、性别、身高、体重、年龄、吸烟);
将数据分离到一个训练集tblTrain和一个测试集tblTest通过使用分层的抵抗层分区。该软件为测试数据集保留大约30%的观察值，并将其余的观察值用于训练数据集。
rng (“默认”）分区的再现性c = cvpartition(资源描述。抽烟,“坚持”, 0.30);trainingIndices =培训(c);testIndices =测试(c);tblTrain =(资源(trainingIndices:);tblTest =(资源(testIndices:);
使用训练集训练神经网络分类器。指定吸烟者列的tblTrain作为响应变量。指定以标准化数值预测器。
Mdl = fitcnet (tblTrain,“抽烟”，.．.“标准化”,真正的);
计算测试集分类边缘。因为测试集只包含30个观察值，所以使用条形图显示边缘。
m =利润率(Mdl tblTest,“抽烟”）;酒吧(m)包含(“观察”) ylabel (“保证金”)标题(“测试集利润率”）
只有第6项和第28项观测值的边际值为负，这表明该模型总体表现良好。
选择要包含在神经网络分类器中的特征
通过比较测试集分类边缘、边缘、错误和预测来进行特征选择。将使用所有预测器训练的模型的测试集度量与仅使用预测器子集训练的模型的测试集度量进行比较。
加载示例文件fisheriris.csv，其中包括鸢尾资料，包括萼片长度，萼片宽度，花瓣长度，花瓣宽度和种类型。将文件读入表中。
fishertable = readtable (“fisheriris.csv”）;
将数据分离到一个训练集trainTbl和一个测试集testTbl通过使用分层的抵抗层分区。该软件为测试数据集保留大约30%的观察值，并将其余的观察值用于训练数据集。
rng (“默认”) c = cvpartition(钓鱼台。物种,“坚持”, 0.3);trainTbl = fishertable(培训(c):);testTbl = fishertable(测试(c):);
使用训练集中的所有预测器训练一个神经网络分类器，并使用所有的预测器训练另一个分类器PetalWidth．对于这两个模型，指定物种作为响应变量，并标准化预测器。
allMdl = fitcnet (trainTbl,“物种”，“标准化”,真正的);subsetMdl = fitcnet (trainTbl,“种~ SepalLength + SepalWidth + PetalLength”，.．.“标准化”,真正的);
计算两个模型的测试集分类裕度。因为测试集只包含45个观察值，所以使用柱状图显示边缘。
对于每个观察，分类边缘是真实类别的分类评分与错误类别的最大评分之间的差值。因为神经网络分类器返回的分类分数是后验概率，接近1的边缘值表示有信心分类，负边缘值表示错误分类。
tiledlayout (2, 1)%顶轴ax₁= nexttile;allMargins =利润率(allMdl testTbl);栏(ax₁,allMargins)包含(ax₁“观察”) ylabel (ax₁,“保证金”)标题(ax₁,“预测”）%底部轴ax2 = nexttile;subsetMargins =利润率(subsetMdl testTbl);栏(ax2 subsetMargins)包含(ax2,“观察”) ylabel (ax2,“保证金”)标题(ax2,“子集预测”）
比较两个模型的测试集分类边缘，或分类边缘的平均值。
allEdge =边缘(allMdl testTbl)
allEdge = 0.8198
subsetEdge =边缘(subsetMdl testTbl)
subsetEdge = 0.9556
基于测试集分类边缘和边缘，在预测器子集上训练的模型似乎优于在所有预测器上训练的模型。
比较两种模型的测试集分类误差。
allError =损失(allMdl testTbl);allAccuracy = 1-allError
allAccuracy = 0.9111
subsetError =损失(subsetMdl testTbl);subsetAccuracy = 1-subsetError
subsetAccuracy = 0.9778
同样，只使用预测器的一个子集训练的模型似乎比使用所有预测器训练的模型表现得更好。
使用混淆矩阵可视化测试集分类结果。
allLabels =预测(allMdl testTbl);图confusionchart (testTbl.Species allLabels)标题(“预测”）
subsetLabels =预测(subsetMdl testTbl);图confusionchart (testTbl.Species subsetLabels)标题(“子集预测”）
使用所有预测器训练的模型将测试集观察值中的四个错误分类。使用预测器子集训练的模型只对一个测试集的观测结果进行了错误分类。
给定两个模型的测试集性能，考虑使用使用所有预测器训练的模型，除了PetalWidth．
输入参数
更多关于
你也可以从以下列表中选择一个网站:
