resubEdge
再代入分類エッジ
説明
例
ionosphere データ セットを読み込みます。このデータ セットには、レーダー反射についての 34 個の予測子と、不良 ('b') または良好 ('g') という 351 個の二項反応が含まれています。
load ionosphereサポート ベクター マシン (SVM) 分類器に学習させます。データを標準化し、'g' が陽性クラスであることを指定します。
SVMModel = fitcsvm(X,Y,'Standardize',true,'ClassNames',{'b','g'});
SVMModel は学習させた ClassificationSVM 分類器です。
再代入エッジ (学習標本マージンの平均) を推定します。
e = resubEdge(SVMModel)
e = 5.0997
分類器エッジは、分類器マージンの平均を測定します。特徴選択を行う方法のひとつとして、複数のモデルからの学習標本エッジを比較します。この条件のみに基づくと、エッジが最高となる分類器が最善の分類器となります。
ionosphere データ セットを読み込みます。安定させるため、最初の 2 つの予測子を削除します。
load ionosphere
X = X(:,3:end);次の 2 つのデータ セットを定義します。
fullXにはすべての予測子が含まれます。partXには上位 10 個の最も重要な予測子が含まれます。
fullX = X; idx = fscmrmr(X,Y); partX = X(:,idx(1:10));
各予測子セットの単純ベイズ分類器に学習させます。
FullMdl = fitcnb(fullX,Y); PartMdl = fitcnb(partX,Y);
FullMdl と PartMdl は、学習済みの ClassificationNaiveBayes 分類器です。
分類器ごとに学習標本エッジを推定します。
fullEdge = resubEdge(FullMdl)
fullEdge = 0.6554
partEdge = resubEdge(PartMdl)
partEdge = 0.7796
上位 10 個の最も重要な予測子で学習させた分類器のエッジの方が大きくなります。この結果は、これらの予測子だけを使用して学習させた分類器の標本内近似の方が優れていることを示しています。
学習標本マージンおよびエッジを調べて、線形項が含まれる一般化加法モデル (GAM) を線形項と交互作用項の両方が含まれる GAM と比較します。この比較のみに基づくと、マージンおよびエッジが最大である分類器が最適なモデルです。
census1994.mat に保存されている 1994 年の国勢調査データを読み込みます。このデータ セットは、個人の年収が $50,000 を超えるかどうかを予測するための、米国勢調査局の人口統計データから構成されます。この分類タスクでは、年齢、労働階級、教育レベル、婚姻区分、人種などが与えられた人の給与カテゴリを予測するモデルを当てはめます。
load census1994census1994 には学習データ セット adultdata およびテスト データ セット adulttest が含まれています。この例では、実行時間を短縮するために、関数datasampleを使用して adultdata から 500 の学習観測値をサブサンプリングします。
rng('default') % For reproducibility NumSamples = 5e2; adultdata = datasample(adultdata,NumSamples,'Replace',false);
予測子の線形項と交互作用項の両方が格納されている GAM に学習させます。p 値が 0.05 以下である利用可能な交互作用項をすべて含めるように指定します。
Mdl = fitcgam(adultdata,'salary','Interactions','all','MaxPValue',0.05)
Mdl =
ClassificationGAM
PredictorNames: {'age' 'workClass' 'fnlwgt' 'education' 'education_num' 'marital_status' 'occupation' 'relationship' 'race' 'sex' 'capital_gain' 'capital_loss' 'hours_per_week' 'native_country'}
ResponseName: 'salary'
CategoricalPredictors: [2 4 6 7 8 9 10 14]
ClassNames: [<=50K >50K]
ScoreTransform: 'logit'
Intercept: -28.5594
Interactions: [82×2 double]
NumObservations: 500
Properties, Methods
Mdl は ClassificationGAM モデル オブジェクトです。Mdl には 82 個の交互作用項が含まれています。
Mdl の学習標本マージンおよびエッジを推定します。
M = resubMargin(Mdl); E = resubEdge(Mdl)
E = 1.0000
交互作用項を含めずに Mdl の学習標本マージンおよびエッジを推定します。
M_nointeractions = resubMargin(Mdl,'IncludeInteractions',false); E_nointeractions = resubEdge(Mdl,'IncludeInteractions',false)
E_nointeractions = 0.9516
箱ひげ図を使用してマージンの分布を表示します。
boxplot([M M_nointeractions],'Labels',{'Linear and Interaction Terms','Linear Terms Only'}) title('Box Plots of Training Sample Margins')
計算に交互作用項を含める場合は、Mdl のすべての再代入マージン値が 1、再代入エッジ値 (マージンの平均) が 1 になります。Mdl に交互作用項を含めない場合、マージンおよびエッジは小さくなります。
入力引数
詳細
アルゴリズム
resubEdge は、オブジェクト (Mdl) の対応する関数 edge に従って分類エッジを計算します。モデル固有の説明については、次の表に示す関数 edge のリファレンス ページを参照してください。
| モデル | 分類モデル オブジェクト (Mdl) | オブジェクト関数 edge |
|---|---|---|
| 一般化加法モデル | ClassificationGAM | edge |
| k 最近傍モデル | ClassificationKNN | edge |
| 単純ベイズ モデル | ClassificationNaiveBayes | edge |
| ニューラル ネットワーク モデル | ClassificationNeuralNetwork | edge |
| 1 クラスおよびバイナリ分類用のサポート ベクター マシン | ClassificationSVM | edge |
