Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

resubLoss

Clase: ClassificationNaiveBayes

Pérdida de clasificación para clasificadores Bayes ingenuos mediante la representación

Descripción

ejemplo

L = resubLoss(Mdl) Devuelve la pérdida de costo de clasificación errónea mínima en la muestra (), que es un escalar que representa qué tan bien el clasificador Bayes Ingenuo entrenado clasifica los datos de predictor almacenados en en comparación con las etiquetas de clase verdaderas almacenadas en.LMdlMdl.XMdl.Y

ejemplo

L = resubLoss(Mdl,Name,Value) Devuelve la pérdida de clasificación en la muestra con opciones adicionales especificadas por uno o más argumentos de par.Name,Value

Argumentos de entrada

expandir todo

Un clasificador Bayes Ingenuo completamente entrenado, especificado como un modelo entrenado por.ClassificationNaiveBayesfitcnb

Argumentos de par nombre-valor

Especifique pares de argumentos separados por comas opcionales. es el nombre del argumento y es el valor correspondiente. deben aparecer dentro de las cotizaciones.Name,ValueNameValueName Puede especificar varios argumentos de par de nombre y valor en cualquier orden como.Name1,Value1,...,NameN,ValueN

Función de pérdida, especificada como el par separado por comas que consta de y un identificador de función o nombre de función de pérdida integrado.'LossFun'

  • La tabla siguiente enumera las funciones de pérdida disponibles. Especifique uno utilizando su vector de caracteres correspondiente o escalar de cadena.

    ValorDescripción
    'binodeviance'Desviación binomial
    'classiferror'Error de clasificación
    'exponential'Exponencial
    'hinge'Bisagra
    'logit'Logística
    'mincost'Costo mínimo previsto de clasificación errónea (para puntuaciones de clasificación que son probabilidades posteriores)
    'quadratic'Cuadrática

    es adecuada para las puntuaciones de clasificación que son probabilidades posteriores.'mincost' Los modelos Bayes Naive devuelven las probabilidades posteriores como puntuaciones de clasificación de forma predeterminada (consulte predict).

  • Especifique su propia función utilizando la notación de identificador de función.

    Supongamos que es el número de observaciones en y ser el número de clases distintas (, es el modelo de entrada).nXKnumel(Mdl.ClassNames)Mdl La función debe tener esta firma

    lossvalue = lossfun(C,S,W,Cost)
    Dónde:

    • El argumento de salida es un escalar.lossvalue

    • Elija el nombre de la función (lossfun).

    • es una matriz lógica con filas que indican a qué clase pertenece la observación correspondiente.CnK El orden de las columnas corresponde al orden de la clase.Mdl.ClassNames

      Construya estableciendo si la observación está en la clase, para cada fila.CC(p,q) = 1pq Establezca todos los demás elementos de la fila en.p0

    • es una matriz numérica de puntuaciones de clasificación.SnK El orden de las columnas corresponde al orden de la clase. es una matriz de puntuaciones de clasificación, similar a la salida de.Mdl.ClassNamesSPredecir

    • es un vector numérico de pesos de observación de-por-1.Wn Si pasa, el software los normaliza para sumar.W1

    • es una matriz numérica de costes de clasificación errónea.CostoKK Por ejemplo, especifica un coste para la clasificación correcta y para la clasificación errónea.Cost = ones(K) - eye(K)01

    Especifique la función mediante 'LossFun',@lossfun.

Para obtener más información sobre las funciones de pérdida, consulte.Pérdida de clasificación

Tipos de datos: char | string | function_handle

Argumentos de salida

expandir todo

Pérdida de clasificación, devuelta como un escalar. es una medida de calidad de generalización o de reenvío.L Su interpretación depende de la función de pérdida y el esquema de ponderación, pero, en general, los mejores clasificadores producen valores de pérdida más pequeños.

Ejemplos

expandir todo

Cargue el conjunto de datos de iris de Fisher.

load fisheriris X = meas;    % Predictors Y = species; % Response

Entrena a un ingenuo clasificador Bayes. Es recomendable especificar el orden de la clase. Supongamos que cada predictor es condicionalmente, normalmente distribuido dada su etiqueta.

Mdl = fitcnb(X,Y,'ClassNames',{'setosa','versicolor','virginica'});

es un clasificador entrenado.MdlClassificationNaiveBayes

Estime la pérdida de reenvío predeterminada, que es el costo mínimo de clasificación errónea en la muestra.

L = resubLoss(Mdl)
L = 0.0400 

El coste medio de la clasificación en la muestra es de 0,04.

Cargue el conjunto de datos de iris de Fisher.

load fisheriris X = meas;    % Predictors Y = species; % Response

Entrena a un ingenuo clasificador Bayes. Es recomendable especificar el orden de la clase. Supongamos que cada predictor es condicionalmente, normalmente distribuido dada su etiqueta.

Mdl = fitcnb(X,Y,'ClassNames',{'setosa','versicolor','virginica'});

es un clasificador entrenado.MdlClassificationNaiveBayes

Estimar la proporción en muestra de observaciones mal clasificadas.

L = resubLoss(Mdl,'LossFun','classiferror')
L = 0.0400 

El clasificador Bayes Ingenuo clasifica erróneamente el 4% de las observaciones de entrenamiento.

Más acerca de

expandir todo

Referencias

[1] Hastie, T., R. Tibshirani, and J. Friedman. The Elements of Statistical Learning, second edition. Springer, New York, 2008.