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。

kfoldPredict

学習で使用しない観測の予測応答

構文

label = kfoldPredict(obj)
[label,score] = kfoldPredict(obj)
[label,score,cost] = kfoldPredict(obj)


説明

label = kfoldPredict(obj) では、交差検証分類 obj によって予測されたクラス ラベルが返されます。kfoldPredict は、すべての分割について分割外の観測値で学習したモデルを使用し、分割内の観測値のクラス ラベルを予測します。

[label,score] = kfoldPredict(obj) は、分割外の観測値で学習したモデルを使用して、分割内の観測値について予測された分類スコアを戻します。

[label,score,cost] = kfoldPredict(obj) は誤分類コストを返します。

入力引数

obj	ClassificationPartitionedModel クラス、または ClassificationPartitionedEnsemble クラスのオブジェクト。

出力引数

label	学習 obj で使用される応答データと同じタイプのクラス ラベルのベクトル。(string 配列は文字ベクトルの cell 配列として扱われます)。label の各エントリは、X の対応する行の予測されたクラス ラベルに対応します。
score	N 行 K 列の数値行列では、N は obj.X の観測 (行) 数を表し、K はクラス (obj.ClassNames の) の数を表します。score(i,j) は、obj.X の i 行がクラス j である信頼度を表します。詳細は、詳細を参照してください。
cost	N 行 K 列の誤分類コストの数値行列。cost(i,j) は、obj.X の i 行がクラス j であると予測される平均誤分類コストです。

例

アンサンブルからの交差検証予測の推定

フィッシャーのアヤメのデータに基づいてモデルの交差検証予測を求めます。

フィッシャーのアヤメのデータセットを読み込みます。

load fisheriris

AdaBoostM2 を使用して分類木のアンサンブルに学習をさせます。弱学習器として木の切り株を指定します。

rng(1); % For reproducibility
t = templateTree('MaxNumSplits',1);
Mdl = fitcensemble(meas,species,'Method','AdaBoostM2','Learners',t);

10 分割交差検証を使用して、学習済みのアンサンブルを交差検証します。

CVMdl = crossval(Mdl);

ラベルとスコアを予測された交差検証を推定します。

[elabel,escore] = kfoldPredict(CVMdl);

各クラスの最大スコアと最小スコアを表示します。

max(escore)

ans = 1×3

    9.3862    8.9871   10.1866

min(escore)

ans = 1×3

    0.0018    3.8359    0.9573

交差検証予測を使用した混同行列の作成

判別分析モデルの 10 分割の交差検証予測を使用して、混同行列を作成します。

fisheriris データセットを読み込みます。X には 150 種類の花に関する花の測定値が格納されており、y は各花の種類またはクラスの一覧です。クラスの順序を指定する変数 order を作成します。

load fisheriris
X = meas;
y = species;
order = unique(y)

order = 3x1 cell
    {'setosa'    }
    {'versicolor'}
    {'virginica' }

関数 fitcdiscr を使用して、10 分割の交差検証判別分析モデルを作成します。既定では、fitcdiscr により、学習セットと検定セットで花の種類の比率がほぼ同じになることが保証されます。花のクラスの順序を指定します。

cvmdl = fitcdiscr(X,y,'KFold',10,'ClassNames',order);

検定セットの花の種類を予測します。

predictedSpecies = kfoldPredict(cvmdl);

真のクラス値を予測したクラス値と比較する混同行列を作成します。

confusionchart(y,predictedSpecies)

詳細

コスト (判別分析)

"平均誤分類コスト"は、分割外の観測で学習された交差検証によって行われた予測の平均誤分類コストです。観測ごとの予測コストの行列は、コストで定義されています。

スコア

判別分析の場合、分類の "スコア" は分類の事後確率です。判別分析の事後確率の定義については、事後確率を参照してください。

アンサンブルの場合、分類スコアは分類の信頼度をクラスで表したものです。スコアが高いほど、信頼度も高くなります。

アンサンブル アルゴリズムが異なれば、スコアの定義も違ってきます。さらに、スコアの範囲はアンサンブル タイプによって異なります。以下に例を示します。

• AdaBoostM1 スコアの範囲は –∞ ～ ∞ です。

• Bag スコアの範囲は 0 ～ 1 です。

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 true に分類し、それ以外の場合は X を false に分類するとします。

100 個の点を無作為に生成し、分類します。

rng(0,'twister') % for reproducibility
X = rand(100,1);
Y = (abs(X - .55) > .4);
tree = fitctree(X,Y);
view(tree,'Mode','Graph')

ツリーを枝刈りします。

tree1 = prune(tree,'Level',1);
view(tree1,'Mode','Graph')

枝刈りされたツリーは、0.15 未満の観測値を正しく true 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 false に分類しています。しかし、0.94 より大きい観測は false 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、true では .05/.85=.06、false では .8/.85=.94 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。

[~,score] = predict(tree1,X(1:10));
[score X(1:10,:)]

ans = 10×3

    0.9059    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、X で 0.15 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 (.95,1) 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。

参考

ClassificationPartitionedModel | crossval | kfoldEdge | kfoldfun | kfoldLoss | kfoldMargin

×

例を開く

この例の変更されたバージョンがあります。編集された方の例を開きますか?

いいえ、変更されたバージョンを上書きします。 はい