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。

kfoldPredict

交差検証済み分類モデルの観測値の分類

ページ内をすべて折りたたむ

    構文

    标签=kfoldPredict（CVMdl）
    label=kfoldPredict（CVMdl，'IncludeInteractions'，IncludeInteractions）
    [标签、分数]=kfoldPredict(___)
    (标签、分数、成本)= kfoldPredict (CVMdl)

    説明

    例

    标签=kfoldPredict(CVMdl)は、交差検証済みの分類器CVMdlで予測されたクラス ラベルを返します。kfoldPredictは、すべての分割について、学習分割観測値で学習させた分類器を使用して検証分割観測値のクラス ラベルを予測します。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。

    标签=kfoldPredict(CVMdl“包括相互作用”，包容互动)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

    [标签,分数]=kfoldPredict(___)は,前の構文の入力引数のいずれかを使用して,学習分割観測値で学習させた分類器を使用して予測した検証分割観測値の分類スコアを追加で返します。

    [标签,分数,成本]=kfoldPredict(CVMdl)は,判別分析,k最近傍,単純ベイズ,および木分類器についての予測誤分類コストを追加で返します。

    例

    すべて折りたたむ

    ライブ スクリプトを開く

    判別分析モデルの 10分割の交差検証予測を使用して、混同行列を作成します。

    鱼腥草データセットを読み込みます。Xには 150種類の花に関する花の測定値が格納されており、Yは各花の種類またはクラスの一覧です。クラスの順序を指定する変数顺序を作成します。

    负载鱼腥草X=meas；y=species；order=unique（y）
    订单=3x1电池{'setosa'}{'versicolor'}{'virginica'}

    関数fitcdiscrを使用して、10分割の交差検証判別分析モデルを作成します。既定では、fitcdiscrにより、学習セットと検定セットで花の種類の比率がほぼ同じになることが保証されます。花のクラスの順序を指定します。

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

    検定セットの花の種類を予測します。

    预测物种=kfoldPredict（cvmdl）；

    真のクラス値を予測したクラス値と比較する混同行列を作成します。

    predictedSpecies confusionchart (y)

    图中包含ConfusionMatrixChart类型的对象。

    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に基づいてモデルの交差検証予測を求めます。

    フィッシャーのアヤメのデータセットを読み込みます。

    负载鱼腥草

    AdaBoostM2を使用して分類木のアンサンブルに学習をさせます。弱学習器として木の切り株を指定します。

    rng (1);%为了再现性t=模板树(“MaxNumSplits”，1）；Mdl=fitcensemble（MEA，物种，“方法”,“AdaBoostM2”,“学习者”，t）；

    10分割交差検証を使用して学習済みアンサンブルを交差検証します。

    CVMdl = crossval (Mdl);

    ラベルとスコアを予測された交差検証を推定します。

    [elabel, escore] = kfoldPredict (CVMdl);

    各クラスの最大スコアと最小スコアを表示します。

    最大值（escore）
    ans=1×39.3862 8.9871 10.1866
    min（escore）
    ans=1×30.0018 3.8359 0.9573

    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。分类分区模型オブジェクト、分类分区集合オブジェクトまたは分类分区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克罗斯瓦尔に渡す。

    • 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
    分类判别式 fitcdiscr
    分类符号 菲特森布尔
    ClassificationGAM 菲特加姆
    分类KNN 菲茨康
    分类朴素贝叶斯 fitcnb
    分类神经网络 菲茨内特
    ClassificationSVM fitcsvm
    ClassificationTree 菲茨特里

    モデルの交互作用項を含めるフラグ。真正的または错误的として指定します。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が分类分区である場合だけです。

    CVMdlのモデル (受过训练的) 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,値は错误的でなければなりません。

    データ型:必然的

    出力引数

    すべて折りたたむ

    予測クラスラベル。直言ベクトル、逻辑ベクトル,数値ベクトル,文字配列,または文字ベクトルの细胞配列として返されます。标签のデータ型および行数はCVMdl.Yと同じです。标签の各エントリは、CVMdl.Xの対応する観測値の予測されたクラスラベルに対応します。

    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、学習分割観測値の标签の値は無視します。これらの値は,最も頻度が高いクラスと一致します。

    分類スコア。N行 K列の行列として返されます。Nは観測値の数 (観測値が行に含まれる場合は尺寸（CVMdl.X，1）)、Kは一意のクラスの数 (大小（CVMdl.ClassNames，1）) です。分類スコア得分（i，j）は、我番目の観測値がクラスJに属する信頼度を表します。

    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、分数には学習分割観測値について楠値が含まれます。

    予測誤分類コスト。N行 K列の行列として返されます。Nは観測値の数 (観測値が行に含まれる場合は尺寸（CVMdl.X，1）)、Kは一意のクラスの数 (大小（CVMdl.ClassNames，1）) です。値成本（i，j）は、我番目の観測値がクラスJに属するという予測の平均誤分類コストです。

    メモ

    この出力引数を返す場合,CVMdlは判別分析、K最近傍、単純ベイズ、または木分類器でなければなりません。

    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、成本には学習分割観測値について楠値が含まれます。

    アルゴリズム

    kfoldPredictは、対応するオブジェクト関数预测で説明されているように、予測を計算します。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预测のリファレンス ページを参照してください。

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

    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