average
R2026b構文
説明
[ は、FPR,TPR,Thresholds,AUC] = average(rocObj,type)type で指定された平均化方法を使用して、マルチクラス分類用の rocmetrics オブジェクト rocObj に格納されたパフォーマンス メトリクスの平均を計算します。関数は、Thresholds の各しきい値について、平均偽陽性率 (FPR) と平均真陽性率 (TPR) を返します。さらに、FPR と TPR で構成される ROC 曲線の下の領域 AUC も返します。
[ は、パフォーマンス メトリクスを計算し、avg1,avg2,Thresholds,AUC] = average(rocObj,type,metric1,metric2)Thresholds (それぞれの平均値の対応するしきい値) と AUC (metric1 と metric2 で生成される曲線の AUC) に加えて、avg1 (metric1 の平均) と avg2 (metric2 の平均) を返します。 (R2024a 以降)
average で AUC の出力がサポートされるのは、metric1 と metric2 が TPR と FPR であるか、それに代わる適合率と再現率である場合だけです。
TPR と FPR — TPR は
"TruePositiveRate"、"tpr"、または"recall"を使用して指定し、FPR は"FalsePositiveRate"または"fpr"を使用して指定します。これらの選択により、AUC が ROC 曲線として指定されます。適合率と再現率 — 適合率は
"PositivePredictiveValue"、"ppv"、"prec"、または"precision"を使用して指定し、再現率は"TruePositiveRate"、"tpr"、または"recall"を使用して指定します。これらの選択により、AUC が適合率-再現率曲線の下の領域として指定されます。
例
rocmetrics オブジェクトを作成してマルチクラス分類問題のパフォーマンス メトリクスを計算し、関数 average を使用してメトリクスの平均値を計算します。average の出力を使用して平均 ROC 曲線をプロットします。
fisheriris データ セットを読み込みます。行列 meas には、150 種類の花についての測定値が格納されています。ベクトル species には、それぞれの花の種類がリストされています。species には、3 種類の花の名前が格納されています。
load fisheriris観測値を 3 つのラベルのいずれかに分類する分類木に学習させます。10 分割の交差検証をモデルに対して実行します。
rng("default") % For reproducibility Mdl = fitctree(meas,species,Crossval="on");
検証分割観測値の分類スコアを計算します。
[~,Scores] = kfoldPredict(Mdl); size(Scores)
ans = 1×2
150 3
出力 Scores は、150 行 3 列のサイズの行列です。Scores の列の順序は Mdl.ClassNames に格納されている Mdl のクラスの順序に従います。
species の真のラベルと Scores の分類スコアを使用して rocmetrics オブジェクトを作成します。Mdl.ClassNames を使用して Scores の列の順序を指定します。
rocObj = rocmetrics(species,Scores,Mdl.ClassNames);
rocmetrics により、さまざまなしきい値における FPR と TPR が計算され、各クラスの AUC の値が特定されます。
マクロ平均法を使用して、さまざまなしきい値における FPR と TPR を含むパフォーマンス メトリクスの平均値を計算します。
[FPR,TPR,Thresholds,AUC] = average(rocObj,"macro");平均 ROC 曲線をプロットし、AUC の平均値を表示します。
plot(rocObj,AverageCurveType="macro",ClassNames=[])
すべての ROC 曲線と AUC の値を表示するには、ClassNames 引数を [] に設定しません。
plot(rocObj,AverageCurveType="macro")
fisheriris データ セットを読み込みます。行列 meas には、150 種類の花についての測定値が格納されています。ベクトル species には、それぞれの花の種類がリストされています。species には、3 種類の花の名前が格納されています。
観測値を 3 つのラベルのいずれかに分類する分類木に学習させます。
load fisheriris
mdl = fitctree(meas,species);分類木モデルから rocmetrics オブジェクトを作成します。
roc = rocmetrics(mdl,meas,species); % Input data meas and response species requiredしきい値と AUC の統計に加えて、再現率と適合率の平均マクロ統計を取得します。
[avgRecall,avgPrec,thresh,AUC] = average(roc,"macro","recall","precision")
avgRecall = 9×1
0
0.6533
0.9533
0.9800
0.9933
0.9933
1.0000
1.0000
1.0000
avgPrec = 9×1
NaN
1.0000
0.9929
0.9811
0.9560
0.9203
0.7804
0.6462
0.3333
thresh = 9×1
1.0000
1.0000
0.9565
0.3333
-0.3333
-0.6667
-0.9565
-0.9783
-1.0000
AUC = 0.9972
再現率と適合率のメトリクスの ROC 曲線をプロットします。
plot(roc,AverageCurveType="macro",XAxisMetric="recall",YAxisMetric="precision")
入力引数
出力引数
詳細
アルゴリズム
代替機能
plot関数を使用して平均 ROC 曲線を作成できます。関数は、XData、YData、Thresholds、およびAUCのプロパティを含むROCCurveオブジェクトを返します。これらのプロパティは、関数averageの出力引数FPR、TPR、Thresholds、およびAUCにそれぞれ対応します。例については、マルチクラス分類器の平均 ROC 曲線のプロットを参照してください。
