resubPredict

クラス:分类树

分類木の再代入ラベルを予測

このページをすべて展開する

構文

标签= resubPredict(树) [标签,后]= resubPredict(树) [标签，后，节点]=重新预测（树） [标签后,节点,cnum] = resubPredict(树) [标签，…]=重新预测（树、名称、值）

説明

标签=重新预测(树）は,データ树。Xについて树が予測したラベルを返します。标签は、関数fitctreeが树の作成に使用したデータに関する树の予測です。

(标签,后) = resubPredict (树）は,予測に対する事後のクラス確率を返します。

(标签,后,节点) = resubPredict (树）は,再代入データでの树のノード数を返します。

(标签,后,节点,cnum) = resubPredict (树）は,この予測での予測されるクラス数を返します。

[标签，…]=重新预测(树,名称,值）では、1.つ以上の名称,值の引数ペアで指定された追加オプションを使用して,再代入予測を返します。

入力引数

すべて展開する

`树`	`fitctree`によって構築された分類木。

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。名称1，值1，…，名称，值のように、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。

`子树`- - - - - -枝刈りレベル
0(既定値) |非負の整数のベクトル|`“所有”`

枝刈りレベル。“子树”と昇順の非負の整数のベクトルまたは“所有”から構成されるコンマ区切りのペアとして指定します。

ベクトルを指定する場合、すべての要素が0から马克斯(tree.PruneList)の範囲になければなりません。0は枝刈りしない完全な木を,马克斯(tree.PruneList)は完全に枝刈りした木(つまり,ルートノードのみ)を表します。

“所有”を指定した場合、resubPredictはすべての部分木(枝刈り順序全体)に作用します。これは,0:马克斯(tree.PruneList)を指定することと同じです。

resubPredictでは,子树で指定された各レベルまで树の枝刈りを行ってから,対応する出力引数を推定します。子树のサイズにより,一部の出力引数のサイズが決まります。

子树を呼び出すために,树のPruneListプロパティまたはPruneAlphaプロパティを空にすることはできません。言い換えると,“删除”,“上”を設定して树を成長させるか,修剪を使用して树の枝刈りを行います。

例:“子树”,“所有”

データ型:单|双|字符|字符串

出力引数

`标签`	応答`树`は,学習データについて予測します。`标签`は、学習応答データ`树。Y`と同じデータ型です。 `子树`名前と値のペアの引数には,`米`>`1`のエントリが含まれる場合,`标签`には`米`列が含まれ、それぞれが対応するサブツリーの予測を表します。エントリが含まれない場合、`标签`はベクトルです。
`后`	`树`が予測するクラスの事後の確率の行列または配列。 `子树`名前と値の引数がスカラーであるか,引数がない場合,`后`は,`n`行`k`列の行列です。ここで`n`は学習データ`树。X`の行数,`k`はクラスの数です。 `子树`に`米`>`1`のエントリが含まれる場合,`后`は,`n`x`k`x`米`の行列です。ここで各`米`の行列は,対応するサブツリーでの事後の確率を示します。
`节点`	各データ行に関連付けられる,`树`のノード数。 `子树`名前と値の引数がスカラーであるか,引数がない場合,`节点`は,`树。X`と同じ行数の`n`行をもつ数値列ベクトルです。 `子树`に`米`>`1`のエントリが含まれる場合,`节点`は,`n`x`米`の行列です。各列は,対応するサブツリーのノード予測を表します。
`cnum`	`树`が再代入データで予測するクラス数。 `子树`名前と値の引数がスカラーであるか,引数がない場合,`cnum`は,`树。X`と同じ行数の`n`行をもつ数値列ベクトルです。 `子树`に`米`>`1`のエントリが含まれる場合,`cnum`は,`n`x`米`の行列です。各列は,対応するサブツリーのクラス予測を表します。

例

すべて展開する

誤分類した観測値の数の計算

ライブスクリプトを開く

分類木では誤分類されるフィッシャーのアヤメのデータの総数を求めます。

负载fisheriris树= fitctree(量、种类);Ypredict = resubPredict(树);%的预测Ysame = strcmp (Ypredict、物种);==时为Truesum（~Ysame）有多少不同?

ans = 3

各部分木の標本内事後確率の比較

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セットを読み込みます。データを学習セット(50%)に分割します。

负载fisheriris

すべての花弁の測定値を使用して分類木を成長させます。

Mdl = fitctree(量(:,3:4),物种);1) n =大小(量;%样本大小K =元素个数(Mdl.ClassNames);%类数

分類木を表示します。

视图(Mdl,“模式”,“图”);

图分类树查看器包含一个轴和其他类型的uimenu, uicontrol对象。轴包含18个类型为line, text的对象。

この分類木には4つの枝刈りレベルがあります。レベル0は(表示のように)枝刈りされていない完全な木です。レベル4はルートノードのみ(分割なし)です。

レベル1および3まで枝刈りした部分木を使用して,各クラスの事後確率を推定します。

[~,后]= resubPredict (Mdl,“子树”3 [1]);

后は、事後確率が格納されているnxKx 2の配列です。后の各行は観測値に,各列はMdl.ClassNamesの順序でクラスに、各ページは枝刈りレベルに対応します。

各部分木を使用して、アヤメ 125のクラス事後確率を表示します。

后部（125，：，：）

ans = ans (:: 1) = 0 0.0217 0.9783 ans (:,: 2) = 0 0.5000 - 0.5000

決定株 (后の2ページ)では,アヤメ125が杂色的とvirginicaのどちらであるかを正しく予測することが困難です。

詳細

すべて展開する

事後確率

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であるときに,予測子Xの分類を真的とみなし,それ以外の場合はXを偽とします。

100年個の点を無作為に生成し,分類します。

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

地物分类树查看器包含一个轴和其他类型为uimenu、uicontrol的对象。轴包含12个类型为line、text的对象。

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的に分類しています.0.15から0.94の間の観測も,假と正しく分類されます。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より大きい観測のスコアは,真的の場合は約 0.05/0.85=0.06、假の場合は0.8/0.85 = 0.94となります。
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,0.94と0.06のスコアが関連付けられています。