cvloss

交差検証による分類誤差

構文

E = cvloss(tree)

[E,SE] = cvloss(tree)

[E,SE,Nleaf] = cvloss(tree)

[E,SE,Nleaf,BestLevel] = cvloss(tree)

[___] = cvloss(tree,Name,Value)

説明

E = cvloss(tree) は、分類木 tree の交差検証による分類誤差 (損失) を返します。cvloss メソッドは、層化区分を使用して交差検証済みのセットを作成します。つまり、tree に学習をさせるために使用したデータとほぼ同じ比率のクラスが各分割に含まれます。

[E,SE] = cvloss(tree) は、E の標準誤差を返します。

[E,SE,Nleaf] = cvloss(tree) は、tree の葉の数を返します。

[E,SE,Nleaf,BestLevel] = cvloss(tree) は、tree の最適な枝刈りレベルを返します。

[___] = cvloss(tree,Name,Value) は、1 つ以上の Name,Value のペアの引数で指定された追加のオプションを使用して交差検証を行います。

例

交差検証誤差の計算

既定の分類木について交差検証誤差を計算します。

ionosphere データセットを読み込みます。

load ionosphere

データセット全体を使用して分類木を成長させます。

Mdl = fitctree(X,Y);

交差検証誤差を計算します。

rng(1); % For reproducibility
E = cvloss(Mdl)

E = 0.1168

E は 10 分割の誤分類誤差です。

交差検証による最適な枝刈りレベルの探索

k 分割の交差検証を適用して、すべての部分木について最適な分類木の枝刈りレベルを探索します。

ionosphere データセットを読み込みます。

load ionosphere

データセット全体を使用して分類木を成長させます。生成された木を表示します。

Mdl = fitctree(X,Y);
view(Mdl,'Mode','graph')

最大の枝刈りレベルを除く各部分木について、5 分割の交差検証誤差を計算します。すべての部分木で最適な枝刈りレベルを返すように指定します。

rng(1); % For reproducibility
m = max(Mdl.PruneList) - 1

m = 7

[E,~,~,bestLevel] = cvloss(Mdl,'SubTrees',0:m,'KFold',5)

E = 8×1

    0.1282
    0.1254
    0.1225
    0.1282
    0.1282
    0.1197
    0.0997
    0.1738

bestLevel = 6

7 個の枝刈りレベルの中で、最適な枝刈りレベルは 6 です。

最適なレベルまで木を枝刈りします。生成された木を表示します。

MdlPrune = prune(Mdl,'Level',bestLevel);
view(MdlPrune,'Mode','graph')

入力引数

tree — 学習済みの分類木

ClassificationTree モデル オブジェクト

学習済みの分類木。関数 fitctree によって生成された ClassificationTree モデル オブジェクトとして指定します。

名前と値の引数

オプションの引数のペアを Name1=Value1,...,NameN=ValueN として指定します。ここで Name は引数名、Value は対応する値です。名前と値の引数は他の引数の後ろにする必要がありますが、ペアの順序は関係ありません。

R2021a より前では、名前と値をそれぞれコンマを使って区切り、Name を引用符で囲みます。

例: [E,SE,Nleaf,BestLevel] = cvloss(tree,'SubTrees',0:7,'KFold',5)

Subtrees — 枝刈りレベル

0 (既定値) | 非負の整数のベクトル | "all"

枝刈りレベル。昇順の非負の整数のベクトルまたは "all" として指定します。

ベクトルを指定する場合、すべての要素が 0 から max(tree.PruneList) の範囲になければなりません。0 は枝刈りしない完全な木を、max(tree.PruneList) は完全に枝刈りした木 (つまり、ルート ノードのみ) を表します。

"all" を指定した場合、cvloss はすべての部分木 (つまり、枝刈り順序全体) に作用します。これは、0:max(tree.PruneList) を指定することと同じです。

cvloss では、Subtrees で指定された各レベルまで tree の枝刈りを行ってから、対応する出力引数を推定します。Subtrees のサイズにより、一部の出力引数のサイズが決まります。

Subtrees を呼び出すために、tree の PruneList プロパティまたは PruneAlpha プロパティを空にすることはできません。言い換えると、Prune="on" を設定して tree を成長させるか、prune を使用して tree の枝刈りを行います。

例: Subtrees="all"

データ型: single | double | char | string

TreeSize — 木のサイズ

'se' (既定値) | 'min'

木のサイズ。次のいずれかの値を指定します。

• 'se' — cvloss は、コストが最小コストの 1 標準誤差以内になる最小のツリーを使用します。

• 'min' — cvloss は最小コストのツリーを使用します。

例: 'TreeSize','min'

KFold — 交差検証標本の数

10 (既定値) | 1 より大きい正の整数値

交差検証標本の数。1 より大きい正の整数値として指定します。

例: 'KFold',8

出力引数

E — 交差検証の分類誤差

数値ベクトル | スカラー値

交差検証の分類誤差 (損失)。名前と値のペア Subtrees の設定に応じてベクトルまたはスカラーが返されます。

SE — 標準誤差

数値ベクトル | スカラー値

E の標準誤差。名前と値のペア Subtrees の設定に応じてベクトルまたはスカラーが返されます。

Nleaf — 葉ノードの数

数値ベクトル | スカラー値

tree の葉ノードの数。名前と値のペア Subtrees の設定に応じてベクトルまたはスカラーが返されます。葉ノードは終端ノードであり、分割ではなく分類を作成します。

BestLevel — 最適な枝刈りレベル

スカラー値

最適な枝刈りレベル。スカラー値として返されます。既定の設定では、誤差が最小の SE の範囲内にある、E の値を達成できる最大の枝刈りレベルを表すスカラーです。TreeSize を 'min' に設定した場合は、BestLevel は、Subtrees の最小値です。

代替方法

crossval を使用して交差検証ツリーのモデルを構築し、cvloss の代わりに kfoldLoss を呼び出すことができます。交差検証を行った木を複数回調べる場合、この代替方法では時間が節約できる可能性があります。

しかし、cvloss と異なり、kfoldLoss は SE、Nleaf および BestLevel を返しません。また、kfoldLoss では分類誤差以外の誤差を調べることはできません。

拡張機能

GPU 配列

Parallel Computing Toolbox™ を使用してグラフィックス処理装置 (GPU) 上で実行することにより、コードを高速化します。

この関数は、GPU 配列を完全にサポートします。詳細は、GPU での MATLAB 関数の実行 (Parallel Computing Toolbox)を参照してください。

バージョン履歴

R2011a で導入

参考

fitctree | crossval | loss | kfoldLoss

×

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