resubloss.

重新提交分类损失

折叠所有页面

句法

L = resubLoss (Mdl)

l = Resubloss（MDL，名称，值）

描述

例子

L.= resubLoss (Mdl）返回分类损失通过重新提出（L），或样本分类损失，用于培训的分类模型Mdl使用存储在Mdl。X和相应的类标签存储在Mdl。y．

解释L.取决于损失功能（“LossFun”）和加权方案（Mdl。W.）.一般来说，更好的分类器产生更小的分类损失值。默认的“LossFun”值因模型对象而异Mdl．

例子

L.= resubLoss (Mdl那名称，价值）使用一个或多个名称-值参数指定其他选项。例如,“LossFun”、“binodeviance”将丢失函数设置为二项式偏差功能。

例子

全部收缩

确定朴素贝叶斯分类器的再替换损失

打开生活的脚本

确定朴素贝叶斯分类器的样本内分类误差(再替换损失)。一般来说，损耗越小，分类器越好。

加载fisheriris数据集。创建X作为一个数字矩阵，包含四个测量150个虹膜。创建y作为包含相应的IRIS物种的字符向量的单元阵列。

加载fisheririsX =量;Y =物种;

使用预测器训练朴素贝叶斯分类器X和类标签y．推荐的做法是指定类名。fitcnb假设每个预测器是有条件地和通常分布的。

Mdl = fitcnb (X, Y,“类名”，{“setosa”那“多色的”那“virginica”}）

Mdl = ClassificationNaiveBayes ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'setosa' 'versicolor' 'virginica'} ScoreTransform: 'none' NumObservations: 150 DistributionNames: {'normal' ' 'normal' ' 'normal'} DistributionParameters: {3x4 cell}属性，方法

Mdl是一个培训ClassificationNaiveBayes分类器。

估计样本内分类误差。

L = resubLoss (Mdl)

L = 0.0400.

Naive Bayes Classifier错了4％的培训观察。

确定支持向量机分类器的再替换铰链损耗

打开生活的脚本

加载电离层数据集。该数据集有34个预测器和351个雷达返回的二进制响应，或坏(“b”)或好(‘g’）.

加载电离层

列车支持向量机（万博1manbetxSVM）分类器。标准化数据并指定该数据‘g’是积极的课程。

svmmodel = fitcsvm（x，y，“类名”，{“b”那‘g’}，“标准化”,真正的);

SVMModel是一个培训ClassificationSVM分类器。

估算样品内铰链损耗。

L = resubLoss (SVMModel,“LossFun”那“枢纽”）

L = 0.1603.

铰链损失是0.1603．铰链损耗接近0的分类器是首选。

通过检查分类损失来比较Gam

打开生活的脚本

培训包含预测器的线性和交互术语的广义添加剂模型（GAM），并估计具有互动条款的分类损失。在估计培训和测试数据的分类损失时，是否指定是否包括交互术语。

加载电离层数据集。该数据集有34个预测器和351个雷达返回的二进制响应，或坏(“b”)或好(‘g’）.

加载电离层

将数据分组到两组：一个包含培训数据，另一组包含新的未观察到的测试数据。保留用于新测试数据集的50个观察。

rng (“默认”）%的再现性n =大小(X, 1);newInds = randsample (n, 50);第1 = ~ ismember (1: n, newInds);XNew = X (newInds:);YNew = Y (newInds);

使用预测器训练GAMX和类标签y．推荐的做法是指定类名。指定包含10个最重要的交互条款。

mdl = fitcgam（x（inds，:)，y（inds），“类名”，{“b”那‘g’}，'互动', 10)

Mdl = classificationongam ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' ' 'g'} ScoreTransform: 'logit' Intercept: 2.0026 Interactions: [10x2 double] NumObservations: 301属性，方法

Mdl是一个ClassificationGAM模型对象。

计算有和无交互项时的再替换分类损失Mdl．要排除交互项，请指定“IncludeInteractions”,假的．

RESUBL = RERUBLOS（MDL）

resubl = 0.

resubl_nointeraction = resubLoss (Mdl,'internalideraction'假)

RERUBL_NOINTERACTION = 0.

估计有和无交互项时的分类损失Mdl．

l =损失（MDL，Xnew，Ynew）

l = 0.0615

l_nointeraction =损失(Mdl XNew YNew,'internalideraction'假)

l_nointeraction = 0.0615

包括交互项不改变的分类损失Mdl．培训的模型正确对所有培训样本进行了分类，并错误分类约6％的测试样本。

输入参数

全部收缩

`Mdl`-分类机器学习模型
全分类模型对象

分类机器学习模型，指定为完整的分类模型对象，所支持的模型如下表所示。万博1manbetx

模型	分类模型对象
广义添加剂模型	`ClassificationGAM`
K.最近的邻居模型	`ClassificationKNN`
朴素贝叶斯模型	`ClassificationNaiveBayes`
神经网络模型	`ClassificationneuralKetwork.`
万博1manbetx支持向量机的一类和二值分类	`ClassificationSVM`

名称值对参数

指定可选的逗号分离对名称，价值参数。的名字是参数名称和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:RERUBLOS（MDL，“LOADFUN”，“LOGIT”）估计logit再替换损失。

`'internalideraction'`-标志包括互动条款
`真正的`|`错误的`

标记以包含模型的交互术语，指定为真正的或错误的．此论证仅对广义可加模型(GAM)有效。也就是说，您只能指定此参数Mdl是ClassificationGAM．

默认值为真正的如果Mdl包含交互术语。价值必须是错误的如果模型不包含交互项。

数据类型:逻辑

`“LossFun”`-损失函数
`'binodeviance'`|`“classiferror”`|`“crossentropy”`|`“指数”`|`“枢纽”`|`'logit'`|`'Mincost'`|`“二次”`|功能手柄

丢失函数，指定为内置丢失函数名称或函数句柄。

该表列出了可用的损耗函数。使用其对应的字符向量或字符串标量指定一个。

价值	描述
`'binodeviance'`	二项异常
`“classiferror”`	十进制错误分类率
`“crossentropy”`	交叉熵损失(仅用于神经网络)
`“指数”`	指数损失
`“枢纽”`	铰链的损失
`'logit'`	物流损失
`'Mincost'`	最小的预期误分类成本(用于后验概率的分类分数)
`“二次”`	二次损失

默认值取决于培训的模型（Mdl）.

默认值为“classiferror”如果Mdl是一个ClassificationGAM那ClassificationneuralKetwork.,或ClassificationSVM对象。
默认值为'Mincost'如果Mdl是一个ClassificationKNN或ClassificationNaiveBayes对象。

有关丢失功能的更多详细信息，请参阅分类损失．

要指定自定义丢失功能，请使用函数句柄表示法。该函数必须具有此表单：
```
lossvalue =lossfun(C、S、W、成本)
```
- 输出参数lossvalue是一个标量。
- 您指定函数名称（lossfun）.
- C是一个N——- - - - - -K.逻辑矩阵，其行表示相应的观测所属的类。N是观察人数资源描述或X,K.是不同类的数量（元素个数(Mdl.ClassNames)．列顺序对应于类顺序Mdl。ClassNames．创建C通过设置C (p, q) = 1,如果观察P.是在课堂上问：，每一行。设置行中的所有其他元素P.来0.．
- S.是一个N——- - - - - -K.分类分数的数字矩阵。列顺序对应于类顺序Mdl。ClassNames．S.是一个分类评分的矩阵，类似于输出预测．
- W.是一个N-乘1数值向量的观测权值。
- 成本是一个K.——- - - - - -K.误分类代价的数值矩阵。例如,Cost = ones(K) - eye(K)指定0.正确分类及1误分类。

例子:“LossFun”、“binodeviance”

数据类型:字符|字符串|function_handle.

更多关于

全部收缩

分类损失

分类损失函数测量分类模型的预测不准确性。当你在许多模型中比较同一类型的损失时，损失越低表明预测模型越好。

考虑以下场景。

L.是加权平均分类损失。
N是样本大小。
二进制分类:
- y_j是被观察的类标签。软件将其编码为-1或1，表示负类或正类(或中第一类或第二类)Classnames.分别属性)。
- F（X_j)为观察(行)的阳性分类评分j预测数据的X．
- m_j=y_jF（X_j)为分类观察的分类评分j进入对应的课程y_j．正值m_j表明正确的分类，对平均损失贡献不大。负的m_j指出错误的分类，并对平均损失有很大的贡献。
对于支持多类分类的算法(即，万博1manbetxK.≥3）：
- y_j^*是向量K.- 1个零，1在对应于真实的，观察类的位置y_j．例如，如果第二个观察的真正类是第三类和K.= 4，然后y₂^*= [0 0 1 0]'．类的顺序对应于Classnames.输入模型的属性。
- F（X_j)为长度K.用于观察的班级分数向量j预测数据的X．分数的顺序与表中班级的顺序相对应Classnames.输入模型的属性。
- m_j=y_j^*'F（X_j）.因此,m_j是模型对真实的、观察到的类所预测的标量分类分数。
观察的重量j是W._j．该软件将观察权重标准化，使得它们总和到相应的先前类概率。该软件还规范化了现有概率，因此它们总和为1.因此，

$\sum_{j = 1}^{N} {W.}_{j} = 1.$

给定此场景，下表描述了支持的损失函数，可以使用万博1manbetx“LossFun”名称值对参数。

损失函数	的价值`LossFun`	方程
二项异常	`'binodeviance'`	$L. = \sum_{j = 1}^{N} {W.}_{j} 日志 {1 + 经验值 [- 2 m_{j}]} ．$
十进制错误分类率	`“classiferror”`	$L. = \sum_{j = 1}^{N} {W.}_{j} 一世 {{\hat{y}}_{j} \neq y_{j}} ．$ ${\hat{y}}_{j}$ 是与具有最大分数的类对应的类标签。一世{·}是指示函数。
叉损失	`“crossentropy”`	`“crossentropy”`仅适用于神经网络模型。加权交叉熵损失是 $L. = - \sum_{j = 1}^{N} \frac{{\tilde{W.}}_{j} 日志（ m_{j} ）}{K. N} 那$ 的权重 ${\tilde{W.}}_{j}$ 被标准化为总和N而不是1。
指数损失	`“指数”`	$L. = \sum_{j = 1}^{N} {W.}_{j} 经验值（ - m_{j} ）．$
铰链的损失	`“枢纽”`	$L. = \sum_{j = 1}^{N} {W.}_{j} 马克斯 {0. 那 1 - m_{j}} ．$
Logit损失	`'logit'`	$L. = \sum_{j = 1}^{N} {W.}_{j} 日志（ 1 + 经验值（ - m_{j} ））．$
最小的误分类成本	`'Mincost'`	`'Mincost'`只有当分类分数是后验概率时才合适。该软件计算加权最小期望分类成本使用这一程序的观察j= 1,…,N．估计对观测数据进行分类的预期误分类成本X_j到类K.： $γ_{j K.} = {（ F {（ X_{j} ）}^{'} C ）}_{K.} ．$ F（X_j)为观测的二值和多类分类的类后验概率列向量X_j．C是存储在的成本矩阵`成本`模型的属性。为观察j，预测对应于最小预期错误分类成本的类标签： ${\hat{y}}_{j} = \underset{K. = 1 那．.. 那 K.}{argmin} γ_{j K.} ．$ 使用C，确认已发生的成本(C_j用于制作预测。最小期望误分类代价损失的加权平均值为 $L. = \sum_{j = 1}^{N} {W.}_{j} C_{j} ．$ 如果使用默认成本矩阵（其元素值为0对于正确分类和1个不正确的分类），则`'Mincost'`损失相当于`“classiferror”`的损失。
二次损失	`“二次”`	$L. = \sum_{j = 1}^{N} {W.}_{j} {（ 1 - m_{j} ）}^{2} ．$

这个数字比较的损失函数(除了“crossentropy”和'Mincost'超过分数m一个观察。一些函数被归一化通过点(0,1)。

算法

resubloss.根据对应的值计算分类损失损失对象的功能（Mdl）.对于特定于模型的描述，请参阅损失函数参考页下表。

模型	分类模型对象(`Mdl`）	`损失`目标函数
广义添加剂模型	`ClassificationGAM`	`损失`
K.最近的邻居模型	`ClassificationKNN`	`损失`
朴素贝叶斯模型	`ClassificationNaiveBayes`	`损失`
神经网络模型	`ClassificationneuralKetwork.`	`损失`
万博1manbetx支持向量机的一类和二值分类	`ClassificationSVM`	`损失`