失利

分类错误

扩大所有页面

句法

L =损失（OBJ，X，Y） L =损失(obj, X, Y,名称,值)

大号=损失（OBJ，X，ÿ）返回分类损失，这是表示如何一个标OBJ分类数据X，什么时候ÿ包含真正的分类。

当计算的损失，失利标准化在类概率ÿ以用于培训类的概率，存储在先财产OBJ。

大号=损失（OBJ，X，ÿ，名称，值）返回由一个或多个指定的使用附加选项损失名称，值对参数。

`OBJ`	类判别分析分类`ClassificationDiscriminant`要么`CompactClassificationDiscriminant`典型地构造成具有`fitcdiscr`。
`X`	矩阵，其中每一行代表一个观测值，每一列代表一个预测值。列中的数字`X`必须等于预测变量数`OBJ`。
`ÿ`	类的标签，使用相同的数据类型作为存在`OBJ`。的元件的数目`ÿ`必须等于的行数`X`。

指定可选的用逗号分隔的对名称，值参数。名称是参数的名称和值是对应的值。名称必须出现引号内。您可以按照任何顺序指定多个名称和值对参数名1，值1，...，NameN，值N。

'LossFun'

内置，亏损函数名（表中的特征向量或串标量）或函数句柄。

下表列出了可用的损失函数。使用相应的值指定一个。

'mincost'适合于那些后验概率分类分数。判别分析模型默认返回后验概率作为分类的分数（见预测）。

有关损失功能的更多详细信息，请参阅分类损失。

默认：'mincost'

“权重”

长度的数值向量ñ，其中ñ是的行数X。权重是负数。失利对权重进行规范化，使每个类中的观察权重之和等于该类的先验概率。当你供应权重，失利计算加权分类损失。

默认：一（N，1）

`大号`	分类损失，标量。的解释`大号`取决于值`权重`和`lossfun`。

开立真实脚本

加载费舍尔的虹膜数据集。

加载fisheriris

培养使用数据的所有观测判别分析模型。

MDL = fitcdiscr（MEAS，物种）;

估计利用训练观测模型的分类错误。

L =损失（MDL，MEAS，物种）

L = 0.0200

另外，如果MDL不紧凑，那么你可以通过估计训练样本的分类错误MDL至resubLoss。

分类损失测量功能分类模型的预测不准确。当你比较同类型的众多车型中的损失，更低的损耗表示更好的预测模型。

请考虑以下情形。

大号是加权平均分类损失。
ñ是样本大小。
对于二元分类：
- ÿ_Ĵ是所观察到的类的标签。软件代码作为-1或1，分别表示负的或正的类。
- F（X_Ĵ）是原始分类评分观察（行）Ĵ预测数据X。
- 米_Ĵ=ÿ_ĴF（X_Ĵ）是分类评分观察分类Ĵ成对应于类ÿ_Ĵ。为正值米_Ĵ表明正确分类，也没有太多的平均损失作出贡献。的负值米_Ĵ表明不正确的分类和平均损失显著贡献。
对于算法，支持多类分类（即，万博1manbetxķ≥3）：
- ÿ_Ĵ^*是的向量ķ- 1个零，1中的位置对应于所述真实的，观察到的类ÿ_Ĵ。举例来说，如果真类的第二观察是第三类和ķ= 4，然后ÿ^*₂= [0 0 1 0] '类的顺序对应于类名输入模型的属性。
- F（X_Ĵ）是长度ķ级得分进行观察的矢量Ĵ预测数据X。分数的顺序与班级的顺序相对应类名输入模型的属性。
- 米_Ĵ=ÿ_Ĵ^*“F（X_Ĵ）。因此，米_Ĵ是标分类评分模型预测为真，观察到的类。
观察权重Ĵ是w ^_Ĵ。让他们总结到相应的现有类概率软件标准化观察权重。该软件还规范了先验概率，使他们和为1。因此，

$Σ_{Ĵ = 1}^{ñ} {w ^}_{Ĵ} = 1。$

鉴于这种情况下，下表描述了支持的损失的功能，你可以通过使用指定万博1manbetx'LossFun'名称 - 值对的参数。

损失函数	的价值`LossFun`	方程
二项式越轨	`'binodeviance'`	$大号 = Σ_{Ĵ = 1}^{ñ} {w ^}_{Ĵ} 日志 {1 + EXP [- 2 米_{Ĵ}]} 。$
指数损失	`“指数”`	$大号 = Σ_{Ĵ = 1}^{ñ} {w ^}_{Ĵ} EXP （ - 米_{Ĵ} ）。$
分类错误	`'classiferror'`	$大号 = Σ_{Ĵ = 1}^{ñ} {w ^}_{Ĵ} 一世 {{\hat{ÿ}}_{Ĵ} \neq ÿ_{Ĵ}} 。$ 它是错误分类的观察，其中的加权分数 ${\hat{ÿ}}_{Ĵ}$ 是对应于具有最大后验概率的类的类的标签。一世{X}是指示符函数。
铰链损失	`'合页'`	$大号 = Σ_{Ĵ = 1}^{ñ} {w ^}_{Ĵ} 最大 {0 ， 1 - 米_{Ĵ}} 。$
Logit模型损失	`'Logit模型'`	$大号 = Σ_{Ĵ = 1}^{ñ} {w ^}_{Ĵ} 日志（ 1 + EXP （ - 米_{Ĵ} ））。$
最低的成本	`'mincost'`	最小成本。该软件计算使用此过程的观测加权最小代价Ĵ= 1，...，ñ。估计1逐ķ观察预期分类成本的矢量Ĵ： $γ_{Ĵ} = F {（ X_{Ĵ} ）}^{“} C 。$ F（X_Ĵ）是类后验概率的二进制和多类分类的列向量。C是成本矩阵，在输入模型存储`成本`属性。观察Ĵ，预测对应的最低预期成本的分类类别标签： ${\hat{ÿ}}_{Ĵ} = \underset{Ĵ = 1 ， ... ， ķ}{分} （ γ_{Ĵ} ）。$ 运用C，确定所发生的费用（C_Ĵ）作出预测。加权平均，最小成本损失是 $大号 = Σ_{Ĵ = 1}^{ñ} {w ^}_{Ĵ} C_{Ĵ} 。$
二次损失	`“二次”`	$大号 = Σ_{Ĵ = 1}^{ñ} {w ^}_{Ĵ} {（ 1 - 米_{Ĵ} ）}^{2} 。$