edge

分類エッジ

構文

E = edge(ens,tbl,ResponseVarName)
E = edge(ens,tbl,Y)
E = edge(ens,X,Y)
E = edge(___,Name,Value)


説明

E = edge(ens,tbl,ResponseVarName) は、データ tbl と分類 tbl.ResponseVarName を指定することによって、ens の分類エッジを返します。

E = edge(ens,tbl,Y) は、データ tbl と分類 Y を指定することによって、ens の分類エッジを返します。

E = edge(ens,X,Y) は、データ X と分類 Y を指定することによって、ens の分類エッジを返します。

E = edge(___,Name,Value) は、前の構文のいずれかを使用し、1 つ以上の Name,Value ペア引数で指定されたオプションを追加して、エッジを計算します。

入力引数

ens	fitcensemble を使用して構築されたアンサンブル分類、または compact を使用して構築されたコンパクトなアンサンブル分類。
tbl	標本データ。テーブルとして指定します。tbl の各行は 1 つの観測値に、各列は 1 つの予測子変数に対応します。tbl には、モデルを学習させるために使用したすべての予測子が含まれていなければなりません。文字ベクトルの cell 配列ではない cell 配列と複数列の変数は使用できません。 table に含まれている標本データを使用して ens を学習させた場合、このメソッドの入力データもテーブルでなければなりません。
ResponseVarName	応答変数の名前。tbl 内の変数の名前で指定します。 ResponseVarName には文字ベクトルまたは string スカラーを指定しなければなりません。たとえば、応答変数 Y が tbl.Y として格納されている場合、'Y' として指定します。それ以外の場合、モデルを学習させるときに、tbl の列は Y を含めてすべて予測子として扱われます。
X	各行が 1 つの観測値、各列が 1 つの予測子を表す行列。X の行数は、ens の予測子の数と等しくなければなりません。 行列に含まれている標本データを使用して ens を学習させた場合、このメソッドの入力データも行列でなければなりません。
Y	tbl または X における観測値のクラス ラベル。Y のデータ型は ens の学習に使用した分類と同じでなければならず、要素数は tbl または X の行数に等しくなければなりません。

名前と値のペアの引数

オプションの Name,Value 引数のコンマ区切りペアを指定します。Name は引数名で、Value は対応する値です。Name は引用符で囲まなければなりません。Name1,Value1,...,NameN,ValueN のように、複数の名前と値のペアの引数を、任意の順番で指定できます。

'learners'	1 から ens.NumTrained までのアンサンブルに含まれる弱学習器のインデックス。edge は、これらの学習器を損失計算にのみ使用します。 既定値: 1:NumTrained
'mode'	出力 E の意味: 'ensemble' — E はアンサンブル全体のエッジを表すスカラー値です。 'individual' — E は、学習した学習器ごとに 1 つの要素をもつベクトルです。 'cumulative' — E は、学習器 1:J を使用して、学習器の入力リストから要素 J が取得されるベクトルです。 既定値: 'ensemble'
'UseObsForLearner'	N 行 T 列のサイズの logical 行列です。 N は X の行の数です。 T は、ens に存在する弱学習器の数です。 UseObsForLearner(i,j) が true のとき、学習器 j が X の行 i のクラスの予測に使用されます。 既定値: true(N,T)
'weights'	観測値の重み、長さ size(X,1) の数値ベクトル。重みを指定すると、edge は重み付きの分類エッジを計算します。 既定値: ones(size(X,1),1)

出力引数

E	分類エッジ、mode の名前と値のペアによって、ベクトルまたはスカラーにいずれかになります。分類エッジは、重み付き平均分類マージンです。

例

学習データの分類エッジの計算

ブースティング アンサンブル分類器に学習をさせるために使用するデータの一部について、分類エッジを求めます。

ionosphere データセットを読み込みます。

load ionosphere

AdaBoostM1 を使用して 100 本のブースティング分類木のアンサンブルに学習をさせます。

t = templateTree('MaxNumSplits',1); % Weak learner template tree object
ens = fitcensemble(X,Y,'Method','AdaBoostM1','Learners',t);

最後の数行について分類エッジを求めます。

E = edge(ens,X(end-10:end,:),Y(end-10:end))

E = 8.3310

詳細

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 (アンサンブル)

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。

エッジ

"エッジ" は、分類マージンの加重平均値です。重みは ens.Prior のクラス確率です。weights 名前と値のペアに重みを指定すると、クラス確率の代わりに指定した重みが使用されます。

拡張機能

tall 配列

メモリの許容量を超えるような多数の行を含む配列を計算します。

この関数は、tall 配列を完全にサポートします。詳細は、tall 配列を参照してください。

参考

edge | margin

×

例を開く

この例の変更されたバージョンがシステム上にあります。代わりにこのバージョンを開きますか?

いいえ、変更されたバージョンを上書きします。 はい