kfoldPredict

预测观测响应不用于训练

扩大所有页面

句法

标记= kfoldPredict（OBJ） [标号，得分= kfoldPredict（OBJ） (标签、分数、成本)= kfoldPredict (obj)

描述

标签= kfoldPredict（OBJ）所预测的类标签OBJ，交叉验证的分类。对于每一个褶皱,kfoldPredict预测类标签使用的培训上了倍的观测模型中倍观察。

[标签，得分)= kfoldPredict (OBJ）返回预测分类分值为使用上训练出的倍观测模型在倍观测。

[标签，得分，成本)= kfoldPredict (OBJ）回报误分类成本。

输入参数

OBJ

类对象ClassificationPartitionedModel或ClassificationPartitionedEnsemble。

输出参数

`标签`	如在训练中使用的相同类型的类别标签的矢量的响应数据`OBJ`。（该软件把字符串数组作为字符向量的单元阵列。）的每个条目`标签`的对应行对应的预测类标签`X`。
`得分`	尺寸的数字矩阵`ñ`——- - - - - -`ķ`,在那里`ñ`观察数(行数)是多少`OBJ。X`,`ķ`是类（在数`obj.ClassNames`)。`数值（i，j）的`代表信心，行`一世`的`OBJ。X`的类`Ĵ`。有关详细信息,请参见更多关于。
`成本`	数值矩阵的误分类代价大小`ñ`——- - - - - -`ķ`。`成本(i, j)`是预测该行的平均误分类代价`一世`的`OBJ。X`的类`Ĵ`。

例子

展开全部

从一个集合中估计交叉验证的预测

打开生活的脚本

查找基于Fisher的虹膜数据模型中的交叉验证的预测。

加载费舍尔的虹膜数据集。

加载fisheriris

使用AdaBoostM2训练分类树的集合。指定树桩为弱学习者。

rng (1);%的再现性t = templateTree (“MaxNumSplits”1);MDL = fitcensemble（MEAS，物种，'方法'，'AdaBoostM2'，“学习者”，T）;

交叉验证使用所述训练集合10倍交叉验证。

CVMdl = crossval (Mdl);

估计交叉验证预测的标签和分数。

[elabel, escore] = kfoldPredict (CVMdl);

显示每个类的最高分和最低分。

马克斯(escore)

ANS =1×39.3862 8.9871 10.1866

分钟(escore)

ANS =1×30.0018 3.8359 0.9573

创建混淆矩阵使用交叉验证预测

打开生活的脚本

使用判别分析模型的10倍交叉验证的预测创建一个混淆矩阵。

加载fisheriris数据集。X包含花三围为150个不同的花，ÿ列出的品种，或类，每个花。创建一个变量订单它指定了类的顺序。

加载fisheririsX = MEAS;Y =物种;为了=唯一的（y）的

订单=3 x1细胞{ 'setosa'} { '云芝'} { '锦葵'}

通过使用创建一个10倍交叉验证的判别分析模型fitcdiscr功能。默认，fitcdiscr确保训练和测试集有大致花卉品种相同比例。指定花类的顺序。

cvmdl = fitcdiscr (X, y,'KFold'10，“类名”、订单);

预测的测试集花卉品种。

predictedSpecies = kfoldPredict（cvmdl）;

创建真正的类值进行比较，以预测的类值的混淆矩阵。

predictedSpecies confusionchart (y)

更多关于

展开全部

成本（判别分析）

该平均误分类成本是由经过培训的乱倍观察交叉验证的分类作出的预测平均误分类代价。每观察预期成本的矩阵被定义成本。

得分

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:

RNG（0，“扭腰”）％，持续重现X =兰德(100 1);Y = (abs(X - .55) > .4);树= fitctree (X, Y);视图(树,'模式'，“图”）

修剪树:

树1 =剪枝（树，'水平'1);视图(tree1,'模式'，“图”）

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：

[〜，得分=预测（树1，X（1:10））;[得分X（1:10，:)]

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。