对于判别分析,为得分分类的后验概率是分类的后验概率。判别分析中后验概率的定义见后验概率。
对于乐团,分类得分代表一个分类的信心到一个类。分数越高,信心越高。
不同的合奏算法对自己的分数有不同的定义。此外,分数的范围取决于合奏类型。例如:
AdaBoostM1
分数范围从负无穷到正无穷。
袋
得分范围为0
至1
。
对于绿树成荫,得分叶节点的分类的是在该节点分类的后验概率。在节点分类的后验概率是训练序列的数目铅与分类该节点,通过训练序列的铅的数量,以该节点划分。
例如,考虑对预测器进行分类X
如真正的
什么时候X
<0.15
或X
>0.95
,X
是假的,否则。
生成100个随机点并进行分类:
修剪树:
该修剪树正确分类是小于0.15的意见真正的
。它还能正确地将0.15到0.94之间的观测数据进行分类假
。但是,它错误地归类是大于0.94的意见假
。因此,大于.15的观察值大约为.05/.85=。06年的真正的
和约0.8 / 0.85 = 0.94对假
。
的前10行计算预测分数X
:
ANS =10×30.9059 0.0941 0.8147 0.9059 0.0941 0.9058 0 1.0000 0.1270 0.9059 0.0941 0.6324 0 1.0000 0.0975 0.9059 0.0941 0.2785 0.9059 0.0941 0.5469 0.9059 0.0941 0.9575 0.9059 0.0941 0.9649
事实上,每一个值X
(最右列)小于0.15的关联分数(左列和中间列)为0
和1
,而其他值为X
有相关的分数0.91
和0.09
。所不同的(得分0.09
而不是预期的0.06
)是由于统计波动:有8
在观察X
在范围内(.95,1)
而不是预期的五
观察结果。