kfoldMargin
交差検証済みカーネル分類モデルの分類マージン
説明
margin = kfoldMargin(CVMdl)ClassificationPartitionedKernel) CVMdl によって取得した分類マージンを返します。kfoldMargin は、すべての分割について、学習分割観測値に対して学習をさせたモデルを使用して、検証分割観測値の分類マージンを計算します。
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') というラベルが付いた 351 個の二項反応が含まれています。
load ionosphereこのデータを使用して、バイナリ カーネル分類モデルを交差検証します。
CVMdl = fitckernel(X,Y,'Crossval','on')
CVMdl =
ClassificationPartitionedKernel
CrossValidatedModel: 'Kernel'
ResponseName: 'Y'
NumObservations: 351
KFold: 10
Partition: [1×1 cvpartition]
ClassNames: {'b' 'g'}
ScoreTransform: 'none'
Properties, Methods
CVMdl は ClassificationPartitionedKernel モデルです。既定では、10 分割交差検証が実行されます。異なる分割数を指定するには、'Crossval' ではなく名前と値のペアの引数 'KFold' を指定します。
検証分割観測値の分類マージンを推定します。
m = kfoldMargin(CVMdl); size(m)
ans = 1×2
351 1
m は 351 行 1 列のベクトルです。m(j) は観測値 j の分類マージンです。
箱ひげ図を使用して k 分割マージンをプロットします。
boxplot(m,'Labels','All Observations') title('Distribution of Margins')
複数のモデルの k 分割マージンを比較することにより、特徴選択を実行します。この条件のみに基づくと、マージンが最大であ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。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') というラベルが付いた 351 個の二項反応が含まれています。
load ionosphere予測子変数の 10% を無作為に選択します。
rng(1); % For reproducibility p = size(X,2); % Number of predictors idxPart = randsample(p,ceil(0.1*p));
2 つのバイナリ カーネル分類モデルを交差検証します。1 つではすべての予測子を、もう 1 つでは予測子の 10% を使用します。
CVMdl = fitckernel(X,Y,'CrossVal','on'); PCVMdl = fitckernel(X(:,idxPart),Y,'CrossVal','on');
CVMdl および PCVMdl は ClassificationPartitionedKernel モデルです。既定では、10 分割交差検証が実行されます。異なる分割数を指定するには、'Crossval' ではなく名前と値のペアの引数 'KFold' を指定します。
各分類器の k 分割マージンを推定します。
fullMargins = kfoldMargin(CVMdl); partMargins = kfoldMargin(PCVMdl);
箱ひげ図を使用して、マージン セットの分布をプロットします。
boxplot([fullMargins partMargins], ... 'Labels',{'All Predictors','10% of the Predictors'}); title('Distribution of Margins')
PCVMdl のマージン分布の四分位数は CVMdl のマージン分布の四分位数より高い位置にあるので、PCVMdl モデルの方が優れた分類器であることがわかります。
