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。
预测
分類木の使用によるラベルの予測
説明
入力引数
出力引数
例
分類木によるラベルの予測
学習から除外されたデータセットの数行について予測を確認します。
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
データを学習セット(50%)と検定セット(50%)に分割します。
1) n =大小(量;rng (1)%的再现性idxTrn = false (n, 1);idxTrn (randsample (n,圆(0.5 * n))) = true;%训练集逻辑索引idxVal = idxTrn == false;%验证设置逻辑索引
学習セットを使用して分類木を成長させます。
Mdl = fitctree(量(idxTrn:),物种(idxTrn));
検定データのラベルを予測します。誤分類した観測値の数をカウントします。
标签=预测(Mdl量(idxVal:));标签(randsample(元素个数(标签),5))显示几个预测的标签
ans =5 x1细胞{' setosa}{‘setosa}{‘setosa}{‘virginica}{“癣”}
numMisclass =总和(~ strcmp(标签,物种(idxVal)))
numMisclass = 3
3つの標本外観測値が誤分類されています。
分類木によるクラス事後確率の推定
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
データを学習セット(50%)と検定セット(50%)に分割します。
1) n =大小(量;rng (1)%的再现性idxTrn = false (n, 1);idxTrn (randsample (n,圆(0.5 * n))) = true;%训练集逻辑索引idxVal = idxTrn == false;%验证设置逻辑索引
学習セットを使用して分類木を成長させ,表示します。
Mdl = fitctree(量(idxTrn:),物种(idxTrn));视图(Mdl,“模式”，“图”）
生成された木には4つのレベルがあります。
レベル1および3まで枝刈りした部分木を使用して,検定セットの事後確率を推定します。
[~,后]=预测(Mdl量(idxVal:)“子树”3 [1]);Mdl。ClassNames
ans =3 x1细胞{'setosa'} {'versicolor'} {'virginica'}
后(randsample(大小(后,1),5),:,:),．..显示几个后验概率
ans = ans (:: 1) = 1.0000 0 0 0 0 0 0 0 0 1.0000 1.0000 1.0000 0.8571 - 0.1429 ans (:,: 2) = 0.3733 0.3200 0.3067 0.3733 0.3200 0.3067 0.3733 0.3200 0.3067 0.3733 0.3200 0.3067 0.3733 0.3200 0.3067
后の要素はクラスの事後確率です。
各行は検定セットの観測値に対応します。
各列は
Mdl。ClassNamesに含まれているクラスに対応します。各ページは部分木に対応します。
レベル1まで枝刈りした部分木は,レベル3(ルートノード)まで枝刈りした部分木より予測が確実です。
詳細
スコア(ツリー)
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。
アルゴリズム
预测は,葉ノードまたは欠損値に達するまで,Mdlの枝に沿って予測を生成します。预测が,葉ノードに達したら,そのノードの分類が返されます。
预测が予測子の欠損値をもつノードに達した場合の振る舞いは,fitctreeでMdlを作成したときの代理名前と値のペアの設定により異なります。
代理＝“关闭”(既定値)预测は,そのノードに達する学習標本の最大数をもつラベルを返します。代理＝“上”- - - - - -预测は,そのノードで最適な代理分岐を使用します。正の"関連性予測尺度"を含むすべての代理分岐変数がない場合,预测は,そのノードに達する学習標本の最大数をもつラベルを返します。この定義については,関連性予測尺度を参照してください。
代替機能
万博1manbetx仿真软件ブロック
万博1manbetx®に分類木モデルの予測を統合するには,统计和机器学习工具箱™ライブラリにあるClassificationTree预测ブロックを使用するか,MATLAB®函数ブロックを関数预测と共に使用します。例については,ClassificationTree预测ブロックの使用によるクラスラベルの予測とMATLAB函数ブロックの使用によるクラスラベルの予測を参照してください。
使用するアプローチを判断する際は,以下を考慮してください。
统计和机器学习工具箱ライブラリブロックを使用する場合,固定小数点ツール(定点设计师)を使用して浮動小数点モデルを固定小数点に変換できます。
MATLAB函数ブロックを関数
预测と共に使用する場合は,可変サイズの配列に対するサポートを有効にしなければなりません。MATLAB函数ブロックを使用する場合,予測の前処理や後処理のために,同じMATLAB函数ブロック内でMATLAB関数を使用することができます。
拡張機能
你也可以从以下列表中选择一个网站:
