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

loss

Error de clasificación

Sintaxis

L = loss(obj,X,Y)
L = loss(obj,X,Y,Name,Value)

Descripción

L = loss(obj,X,Y) Devuelve el, que es un escalar que representa qué tan bien clasifica los datos en, cuando contiene las clasificaciones verdaderas.pérdida de clasificaciónobjXY

Al calcular la pérdida, normaliza las probabilidades de clase en las probabilidades de clase utilizadas para el entrenamiento, almacenadas en la propiedad de.lossYPriorobj

L = loss(obj,X,Y,Name,Value) Devuelve la pérdida con opciones adicionales especificadas por uno o más argumentos de par.Name,Value

Argumentos de entrada

obj

Clasificador de análisis discriminante de clase o, típicamente construido con.ClassificationDiscriminantCompactClassificationDiscriminantfitcdiscr

X

Matriz donde cada fila representa una observación y cada columna representa un predictor. El número de columnas en debe ser igual al número de predictores en.Xobj

Y

Etiquetas de clase, con el mismo tipo de datos que existe.obj El número de elementos de debe ser igual al número de filas de.YX

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

'LossFun'

Nombre integrado, función de pérdida (vector de caracteres o escalar de cadena en la tabla) o identificador de función.

  • La tabla siguiente enumera las funciones de pérdida disponibles. Especifique uno utilizando el valor correspondiente.

    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 de análisis discriminantes 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 ().nXKnumel(Mdl.ClassNames) 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

Predeterminado: 'mincost'

'Weights'

Vector numérico de longitud, donde es el número de filas de. no son negativas. Normaliza los pesos de modo que los pesos de observación de cada clase se suman a la probabilidad anterior de esa clase.NNXweightsloss Al suministrar, calcula la pérdida de clasificación ponderada.weightsloss

Predeterminado: ones(N,1)

Argumentos de salida

L

, un escalar.La pérdida de clasificación La interpretación de depende de los valores en y.Lweightslossfun

Ejemplos

expandir todo

Cargue el conjunto de datos de iris de Fisher.

load fisheriris

Entrenar un modelo de análisis discriminante utilizando todas las observaciones de los datos.

Mdl = fitcdiscr(meas,species);

Estimar el error de clasificación del modelo utilizando las observaciones de formación.

L = loss(Mdl,meas,species)
L = 0.0200 

Alternativamente, si no es compacta, entonces usted puede estimar el error de clasificación de la formación-muestra pasando a.MdlMdlresubLoss

Más acerca de

expandir todo

Capacidades ampliadas