resubEdge

クラス: ClassificationTree

再代入による分類エッジ

構文

edge = resubEdge(tree)

説明

edge = resubEdge(tree) は、学習データで tree により取得される分類エッジを返します。

入力引数

tree

fitctree を使用して作成された分類木。

出力引数

edge

分類エッジは、学習データをエッジに計算に再代入することにより取得されます。

例

フィッシャーのアヤメのデータについて、再代入によって分類木の品質を評価します。

load fisheriris
tree = fitctree(meas,species);
redge = resubEdge(tree)

redge =
    0.9384

詳細

すべて展開する

エッジ

"エッジ" は、分類マージンの加重平均値です。重みは tree.Prior のクラス確率です。

マージン

分類マージンは、真のクラスの分類スコアと、偽のクラスの最大分類スコアの差を表します。マージンは行列 X と同じ行数をもつ列ベクトルです。

スコア (ツリー)

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。

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。

参考

edge | resubMargin | resubLoss | resubPredict | fitctree