最新のリリースでは,このページがまだ翻訳されていません。このページの最新版は英語でご覧になれます。

kfoldEdge

学習で使用しない観測値の分類エッジ

構文

E = kfoldEdge (obj) E = kfoldEdge (obj、名称、值)

説明

E= kfoldEdge (obj）は,交差検証のモデルobjにより取得された分類エッジ(平均分類マージン)を返します。この手法では,すべての分割について分割外の観測値で学習したアンサンブルを使用し,分割内の観測値の分類エッジを計算します。

E= kfoldEdge (obj，名称,值）では1つ以上の名称,值のペア引数で指定された追加オプションを使用して,エッジを計算します。Name1, Value1,…,的家のように,複数の名前と値のペアの引数を任意の順番で指定できます。

入力引数

obj

クラスClassificationPartitionedModelのオブジェクト。

名前と値のペアの引数

オプションの名称,值引数のコンマ区切りペアを指定します。的名字は引数名で,价值は対応する値です。的名字は引用符で囲まなければなりません。Name1, Value1,…,的家のように,複数の名前と値のペアの引数を,任意の順番で指定できます。

“折叠”

1からobj。KFoldまでの分割のインデックス。予測にはこれらの分割のみを使用します。

既定値:1: obj。KFold

“模式”

出力边缘の意味を表す文字ベクトルまたは字符串スカラー。

“平均”- - - - - -边缘はスカラー値,ですべての分割の平均です。
“个人”- - - - - -边缘は,各分割に1つの要素をもつ,長さobj。KFoldのベクトルです。

既定値:“平均”

出力引数

`E`	平均分類マージン。`E`は,`模式`名前と値のペアの引数の設定に応じて,スカラーまたはベクトルとなります。

例

すべて展開する

分類器のk分割エッジの推定

ライブスクリプトを開く

フィッシャーのアヤメのデータを学習させたモデルのk分割エッジを計算します。

フィッシャーのアヤメのデータセットを読み込みます。

负载fisheriris

分類木分類器を学習させます。

树= fitctree(量、种类);

10分割交差検証を使用して分類器を交差検証します。

cvtree = crossval(树);

k分割エッジを計算します。

边缘= kfoldEdge (cvtree)

边缘= 0.8578

詳細

すべて展開する

エッジ

“エッジ”は,分類“マージン”の重み付き平均値です。重みはクラスの事前確率です。追加の重みを指定した場合は,それぞれのクラスの事前確率の合計になるように正規化された後,加重平均の計算に使用されます。

マージン

分類マージンは,真のクラスの分類スコアと,偽のクラスの最大分類スコアの差を表します。

分類マージンは行列Xと同じ行数の列ベクトルです。マージンの値が高い場合、低い値よりも予測の信頼性が高いことを示します。

スコア

判別分析の場合,分類の“スコア”は分類の事後確率です。判別分析の事後確率の定義については、事後確率を参照してください。

ツリーの場合,葉ノードの分類の“スコア”は,そのノードでの分類の事後確率です。あるノードにおける分類の事後確率とは,分類によって実際にそのノードに達するのに要した学習シーケンスの数を,そのノードまでの学習シーケンスの数で除算した値です。

たとえば,X<0．15またはX>0.95である場合は予測子Xを真正的に分類し,それ以外の場合はXを假に分類するとします。

100年個の点を無作為に生成し,分類します。

rng (0,“旋风”）%的再现性X =兰德(100 1);Y = (abs(X - .55) > .4);树= fitctree (X, Y);视图(树,“模式”，“图”）

ツリーを枝刈りします。

tree1 =修剪(树,“水平”1);视图(tree1,“模式”，“图”）

枝刈りされたツリーは,0.15未満の観測値を正しく真正的に分類しています。また,。15から．94 までの観測値についても、正しく假に分類しています。しかし,0.94より大きい観測は假と誤って分類されます。そのため,0.15より大きい観測値のスコアは,真正的では. 05 / .85 = 0。06假では。8 / .85 =。94年になります。

Xの先頭から10行までの予測スコアを計算します。

[~,分数]=预测(tree1 X (1:10));(分数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 0.9134 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

実際に,X0.15でより小さいすべての値(右端の列)には,0と1のスコアが関連付けられ(左の列と中央の列),Xのその他の値には,0.91と0.09のスコアが関連付けられています。スコアの違い(想定した06ではなく,0.09)は統計変動によるものです。範囲(1) .95のXには,想定した5個ではなく8個の観測値があります。