resubPredict

サポートベクターマシン回帰モデルの再代入応答の予測

構文

yfit = resubPredict(mdl)

説明

yfit = resubPredict(mdl) は、mdl.X に格納されている予測子データを使用して、学習済みのサポートベクターマシン (SVM) 回帰モデル mdl について予測した応答値のベクトル yfit を返します。

入力引数

すべて展開する

`mdl` — 完全な学習済み SVM 回帰モデル
`RegressionSVM` モデル

完全な学習済み SVM 回帰モデル。fitrsvm によって返される RegressionSVM モデルとして指定します。

出力引数

すべて展開する

`yfit` — 予測した応答
数値ベクトル

予測した応答。数値ベクトルとして返されます。yfit の長さは、学習データ mdl.NumObservations に含まれている観測値の数と等しくなります。

応答を予測する方法の詳細については、サポートベクターマシン回帰についての式 1と式 2を参照してください。

例

すべて展開する

SVM 回帰モデルの再代入予測

この例では、SVM 回帰モデルを学習させてからそのモデルを使用して学習データに対する予測応答値を生成する方法を示します。

この例では、UCI Machine Learning Repository にあるアワビのデータを使用します。データをダウンロードして、'abalone.data' という名前で現在のディレクトリに保存します。データを table に読み込みます。

tbl = readtable('abalone.data','Filetype','text','ReadVariableNames',false);
rng default  % for reproducibility

標本データには 4177 個の観測値が含まれています。sex を除くすべての予測子変数は連続です。この変数はカテゴリカル変数で、可能な値は 'M' (雄)、'F' (雌) および 'I' (稚貝) です。目標は、物理的な測定値を使用してアワビの輪の数を予測し、年齢を決定することです。

自動カーネルスケールのガウスカーネル関数を使用して、SVM 回帰モデルをデータに対して学習させます。データを標準化します。

mdl = fitrsvm(tbl,'Var9','KernelFunction','gaussian','KernelScale','auto','Standardize',true);

学習済みのモデルを使用して、元のデータに基づいて応答値を予測します。

yfit = resubPredict(mdl);

最初の 10 個の予測応答を実際の応答値とともに表示します。

[mdl.Y(1:10),yfit(1:10)]

ans =

   15.0000    8.1836
    7.0000    8.3545
    9.0000   10.9383
   10.0000    9.3446
    7.0000    6.4042
    8.0000    7.7910
   20.0000   13.8275
   16.0000   11.7959
    9.0000    9.5724
   19.0000   13.6909

左の列は実際の応答を、右の列は対応する予測応答を示します。

参考文献

[1] Nash, W.J., T. L. Sellers, S. R. Talbot, A. J. Cawthorn, and W. B. Ford. "The Population Biology of Abalone (Haliotis species) in Tasmania. I. Blacklip Abalone (H. rubra) from the North Coast and Islands of Bass Strait." Sea Fisheries Division, Technical Report No. 48, 1994.

[2] Waugh, S. "Extending and Benchmarking Cascade-Correlation: Extensions to the Cascade-Correlation Architecture and Benchmarking of Feed-forward Supervised Artificial Neural Networks." University of Tasmania Department of Computer Science thesis, 1995.

[3] Clark, D., Z. Schreter, A. "Adams. A Quantitative Comparison of Dystal and Backpropagation." submitted to the Australian Conference on Neural Networks, 1996.

[4] Lichman, M. UCI Machine Learning Repository, [http://archive.ics.uci.edu/ml]. Irvine, CA: University of California, School of Information and Computer Science.