可视化不同分类器的决策曲面

每个分类算法生成不同的决策规则。这些规则可以以决策表的形式可视化。此示例演示如何可视化不同分类算法的决策面。

加载数据

加载数据以查看不同鸢尾属物种的萼片测量值的差异。可以使用包含萼片测量值的两列。

净负荷鱼腥草X=平均值（：，1:2）；y=分类（物种）；标签=类别（y）；图（1）gscatter（X（：，1），X（：，2），物种，“rgb”,“osd”); xlabel(“萼片长度”); 伊拉贝尔(“萼片宽度”);

训练四个不同的分类器，并将模型存储在单元阵列中

分类器{1}=NaiveBayes.fit（X，y）；分类器{2}=ClassificationDiscriminant.fit（X，y）；分类器{3}=ClassificationTree.fit（X，y）；分类器{4}=ClassificationKNN.fit（X，y）；分类器名称={“天真的贝叶斯”,“判别分析”,“分类树”,“最近的邻居”};

使用所有分类器预测物种

网格用于在实际数据值的某些范围内创建跨越整个空间的点网格。每个分类器用于对网格中的所有数据进行分类。

[xx1，xx2]=网格网格（4:01:8,2:01:4.5）；图（2）对于ii=1:numel（分类器）ypred=predict（分类器{ii}，[xx1（：）xx2（：）]；h（ii）=子批次（2,2,ii）；gscatter（xx1（：），xx2（：），ypred，“rgb”); 标题（名称{ii}，“字体大小”（15）图例关轴牢固的终止图例（h（1），标签，“位置”,[0.35,0.01,0.35,0.05],“方向”,“水平”)

数据集和参考

Fisher的虹膜数据包括对150个虹膜标本的萼片长度、萼片宽度、花瓣长度和花瓣宽度的测量。三个物种各有50个标本。此数据集随统计和机器学习工具箱™.