主要内容

このページの翻訳は最新ではありません。ここをクリックして,英語の最新版を参照してください。

kfoldMargin

交差検証済み分類モデルの分類マージン

ページ内をすべて折りたたむ

    構文

    M = kfoldMargin (CVMdl)
    M = kfoldMargin (CVMdl IncludeInteractions, IncludeInteractions)

    説明

    例

    米= kfoldMargin (CVMdl）では,交差検証された分類モデルCVMdlにより取得された分類マージンが返されます。kfoldMarginは,すべての分割について,学習分割観測値に対して学習をさせた分類器を使用して,検証分割観測値の分類マージンを計算します。CVMdl。XおよびCVMdl。Yには,両方の観測値のセットが含まれます。

    米= kfoldMargin (CVMdl“IncludeInteractions”,includeInteractions）は,計算に交互作用項を含めるかどうかを指定します。この構文は一般化加法モデルにのみ適用されます。

    例

    すべて折りたたむ

    ライブスクリプトを開く

    电离层データを分類するアンサンブルのk分割のマージンを求めます。

    电离层データセットを読み込みます。

    负载电离层

    木の切り株のテンプレートを作成します。

    t = templateTree (“MaxNumSplits”1);

    決定木のアンサンブル分類を学習させます。弱学習器としてtを指定します。

    Mdl = fitcensemble (X, Y,“方法”，“AdaBoostM1”，“学习者”t);

    10分割交差検証を使用して分類器を交差検証します。

    cvens = crossval (Mdl);

    k分割マージンを計算します。マージンの要約統計を表示します。

    m = kfoldMargin (cvens);marginStats =表(min (m),意味着(m),马克斯(m),．．．“VariableNames”，{“最小值”，“的意思是”，“马克斯”}）
    marginStats =1×3表最小的意思是最大  _______ ______ ______ - 11.312 7.3236 23.517

    入力引数

    すべて折りたたむ

    交差検証された分割済みの分類器。ClassificationPartitionedModelオブジェクト,ClassificationPartitionedEnsembleオブジェクトまたはClassificationPartitionedGAMオブジェクトを指定します。オブジェクトは 2 つの方法で作成できます。

    • 次の表に記載されている学習済み分類モデルをそのオブジェクト関数crossvalに渡す。

    • 次の表に記載されている関数を使用して分類モデルに学習をさせ,その関数の交差検証に関する名前と値の引数のいずれかを指定する。

    分類モデル 関数
    ClassificationDiscriminant fitcdiscr
    ClassificationEnsemble fitcensemble
    ClassificationGAM fitcgam
    ClassificationKNN fitcknn
    ClassificationNaiveBayes fitcnb
    ClassificationNeuralNetwork fitcnet
    ClassificationSVM fitcsvm
    ClassificationTree fitctree

    モデルの交互作用項を含むというフラグ。真正的または假として指定します。この引数は,一般化加法モデル(GAM)の場合のみ有効です。つまり,この引数を指定できるのは,CVMdlがClassificationPartitionedGAMである場合だけです。

    CVMdlのモデル(CVMdl。训练有素的)に交互作用項が含まれる場合,既定値は真正的です。モデルに交互作用項が含まれない場合,値は假でなければなりません。

    データ型:逻辑

    出力引数

    すべて折りたたむ

    分類マージン。数値ベクトルとして返されます。米はn行1列のベクトルであり,各行は対応する観測のマージンです。nは観測値の個数です(観測値が行に含まれる場合,nは尺寸(CVMdl.X, 1)です)。

    ホールドアウト検証の手法を使用してCVMdlを作成する(つまり,CVMdl。KFoldが1である)場合,米には学習分割観測値について南値が含まれます。

    詳細

    すべて折りたたむ

    分類マージン

    バイナリ分類の“分類マージン”は,各観測値における真のクラスの分類スコアと偽のクラスの分類スコアの差です。マルチクラス分類の“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スコアの差を表します。

    各マージンのスケールが同じである場合(つまり,スコア値が同じスコア変換に基づく場合),マージンを分類の信頼尺度として使用できます。複数の分類器の中で,マージンが大きい分類器の方が優れています。

    アルゴリズム

    kfoldMarginは,対応するオブジェクト関数保证金で説明されているように,分類マージンを計算します。モデル固有の説明については,次の表に示す該当する関数保证金のリファレンスページを参照してください。

    モデルタイプ 関数保证金
    判別分析分類器 保证金
    アンサンブル分類器 保证金
    一般化加法モデル分類器 保证金
    k最近傍分類器 保证金
    単純ベイズ分類器 保证金
    ニューラルネットワーク分類器 保证金
    サポートベクターマシン分類器 保证金
    マルチクラス分類用の二分決定木 保证金

    拡張機能

    参考

    ||||

    R2011aで導入

    统计和机器学习工具箱ドキュメンテーション

    サポート

    機械学習をマスターする:MATLABステップ・バイ・ステップガイド

    機械学習をマスターする:MATLABステップ・バイ・ステップガイド

    电子书をダウンロードする