再预测

类:ClassificationTree

预测分类树的再替换标签

在第页中展开全部

语法

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

描述

标签= resubPredict (树)返回标签树预测数据tree.X．标签这是我们的预测吗树根据以下数据：菲茨特里用于创建树．

[标签,后面的) = resubPredict (树)返回预测的后验类概率。

[标签,后面的,节点) = resubPredict (树)返回的节点号树对于重新替换的数据。

[标签,后面的,节点,cnum) = resubPredict (树)返回预测的类数。

(标签,…) = resubPredict (树,名称,值)返回带有由一个或多个指定的附加选项的重新替换预测名称,值对参数。

输入参数

全部展开

树

由菲茨特里．

名称值参数

指定可选的逗号分隔的字符对名称,值参数。名称是参数名和价值为对应值。名称必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

`子树`—修剪水平
0（默认）|非负整数的向量|`“所有”`

修剪级别，指定为逗号分隔对，由“子树”和一个非负整数向量，升序或“所有”．

如果指定一个向量，则所有元素必须至少为0顶多max（树形修剪列表）．0指示完整的、未运行的树和max（树形修剪列表）表示被完全修剪的树(即根节点)。

如果您指定“所有”然后再预测操作所有子树（即，整个修剪序列）。本规范等同于使用0:马克斯(tree.PruneList)．

再预测李子树至中所示的每个级别子树，然后估计相应的输出参数子树确定某些输出参数的大小。

援引子树，物业修剪师和PruneAlpha的树必须非空的。换句话说，就是成长树通过设置“剪枝”，“开”，或修剪树使用修剪．

例子:“子树”，“全部”

数据类型：仅有一个的|双|字符|一串

输出参数

`标签`	响应`树`对训练数据进行预测。`标签`数据类型是否与培训响应数据相同`树`．如果`子树`名称值参数包含`M`>`1.`条目，`标签`有`M`列，每个列表示对应子树的预测。否则,`标签`是一个向量。
`后面的`	类的后验概率矩阵或数组`树`预测。如果`子树`名称-值参数是标量或缺少，`后面的`是一个`N`——- - - - - -`K`矩阵,`N`训练数据中的行数是多少`tree.X`,`K`是班级的数量。如果`子树`包含`M`>`1.`条目，`后面的`是一个`N`——- - - - - -`K`——- - - - - -`M`数组，其中每个`M`给出相应子树的后验概率。
`节点`	的节点号`树`每个数据行解析的位置。如果`子树`名称-值参数是标量或缺少，`节点`是一个数字列向量`N`行数，和`tree.X`．如果`子树`包含`M`>`1.`条目，`节点`是一个`N`——- - - - - -`M`矩阵。每一列表示对应子树的节点预测。
`cnum`	班级编号是`树`对重新替换的数据进行预测。如果`子树`名称-值参数是标量或缺少，`cnum`是一个数字列向量`N`行数，和`tree.X`．如果`子树`包含`M`>`1.`条目，`cnum`是一个`N`——- - - - - -`M`矩阵。每列表示对应子树的类预测。

例子

全部展开

计算错误分类观察的数量

打开生活的脚本

找出分类树中Fisher虹膜数据的错误分类总数。

负载fisheriristree=fitctree（MEA，物种）；Ypredict=resubPredict（tree）；%预测Ysame=strcmp（预测，种类）；==时为True总和(~ Ysame)%有多少是不同的？

ans=3

比较每个子树的样本后验概率

打开生活的脚本

载入费雪的虹膜数据集。将数据划分为训练(50%)

负载fisheriris

使用“所有花瓣测量”生长分类树。

Mdl=fitctree（MEA（：，3:4），物种）；n=尺寸（平均值，1）；%样本大小K =元素个数(Mdl.ClassNames);%班级数

查看分类树。

视图（Mdl，“模式”,“图形”)；

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

分类树有四个修剪级别。级别0是完整的未运行树（如图所示）。级别4只是根节点（即，没有拆分）。

使用修剪到级别1和3的子树估计每个类的后验概率。

[~，后]=再预测（Mdl，“子树”,[1 3]);

后面的是一个N——- - - - - -K后验概率的-by- 2数组。行后面的对应于观察值，列对应于有顺序的类Mdl。一会，页面对应于修剪级别。

使用每个子树显示iris 125的类后验概率。

后(125年:,)

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

决定残桩(第2页后面的)无法预测iris 125是花色还是弗吉尼亚色。

更多关于

全部展开

后验概率

在一个节点上分类的后验概率是导致该分类的节点的训练序列的数量，除以导致该节点的训练序列的数量。

例如，考虑对预测器进行分类X像真正的什么时候X<0.15或X>0.95,X否则就错了。

生成100个随机点并进行分类:

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

图形分类树查看器包含一个轴对象和uimenu、uicontrol类型的其他对象。轴对象包含12个line、text类型的对象。

修剪树:
```
树1=修剪（树，“水平”1);视图(tree1,“模式”,“图形”)
```
修剪后的树将小于0.15的观测值正确分类为真正的.它还将.15和.94之间的观测值正确分类为错误的.但是，它错误地将大于.94的观测值分类为错误的．因此，大于0.15的观测值应该是0.05 / 0.85 =。06年的真正的，大约为.8/.85=.94错误的．

的前10行计算预测得分X:

[~，得分]=预测（树1，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

事实上，所有的价值X小于0.15的（最右边的列）的关联分数（左边和中间的列）为0和1.，而其他的价值观X有关联的分数0.94和0.06．