Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

oobLoss

Error de clasificación fuera de bolsa

Sintaxis

L = oobloss(ens)
L = oobloss(ens,Name,Value)


Descripción

L = oobloss(ens) Devuelve el error de clasificación calculado para los datos fuera de la bolsa.ens

L = oobloss(ens,Name,Value) calcula el error con opciones adicionales especificadas por uno o más argumentos de par.Name,Value Puede especificar varios argumentos de par nombre-valor en cualquier orden como.Name1,Value1,…,NameN,ValueN

Argumentos de entrada

ens	Un conjunto de clasificación en bolsas, construido con.fitcensemble

Argumentos de par nombre-valor

Especifique pares de argumentos separados por comas opcionales. es el nombre del argumento y es el valor correspondiente. deben aparecer dentro de las cotizaciones.Name,ValueNameValueName Puede especificar varios argumentos de par de nombre y valor en cualquier orden como.Name1,Value1,...,NameN,ValueN

'learners'	Índices de estudiantes débiles en el conjunto que van desde. solo usa estos alumnos para calcular la pérdida.1NumTrainedoobLoss Predeterminado: 1:NumTrained
'lossfun'	Función de pérdida, especificada como el par separado por comas que consta de y un identificador de función o nombre de función de pérdida integrado.'LossFun' La tabla siguiente enumera las funciones de pérdida disponibles. Especifique uno utilizando su vector de caracteres correspondiente o escalar de cadena. Valor Descripción 'binodeviance' Desviación binomial 'classiferror' Error de clasificación 'exponential' Exponencial 'hinge' Bisagra 'logit' Logística 'mincost' Costo mínimo previsto de clasificación errónea (para puntuaciones de clasificación que son probabilidades posteriores) 'quadratic' Cuadrática es adecuada para las puntuaciones de clasificación que son probabilidades posteriores.'mincost' Los conjuntos enroscada devuelven las probabilidades posteriores como puntuaciones de clasificación por defecto. Especifique su propia función utilizando la notación de identificador de función. Supongamos que es el número de observaciones en y ser el número de clases distintas (, es el modelo de entrada).nXKnumel(ens.ClassNames)ens La función debe tener esta firma lossvalue = lossfun(C,S,W,Cost) Dónde: El argumento de salida es un escalar.lossvalue Elija el nombre de la función (lossfun). es una matriz lógica con filas que indican a qué clase pertenece la observación correspondiente.CnK El orden de las columnas corresponde al orden de la clase.ens.ClassNames Construya estableciendo si la observación está en la clase, para cada fila.CC(p,q) = 1pq Establezca todos los demás elementos de la fila en.p0 es una matriz numérica de puntuaciones de clasificación.SnK El orden de las columnas corresponde al orden de la clase. es una matriz de puntuaciones de clasificación, similar a la salida de.ens.ClassNamesSPredecir es un vector numérico de pesos de observación de-por-1.Wn Si pasa, el software los normaliza para sumar.W1 es una matriz numérica de costes de clasificación errónea.CostoKK Por ejemplo, especifica un coste para la clasificación correcta y para la clasificación errónea.Cost = ones(K) - eye(K)01 Especifique la función mediante 'LossFun',@lossfun. Para obtener más información sobre las funciones de pérdida, consulte.Pérdida de clasificación Predeterminado: 'classiferror'
'mode'	Vector de caracteres o escalar de cadena que representa el significado de la salida:L — es un valor escalar, la pérdida para todo el conjunto.'ensemble'L : es un vector con un elemento por alumno entrenado.'individual'L : es un vector en el que el elemento se obtiene mediante el uso de alumnos de la lista de entrada de alumnos.'cumulative'LJ1:J Predeterminado: 'ensemble'

Argumentos de salida

L	de las observaciones fuera de bolsa, un escalar. puede ser un vector, o puede representar una cantidad diferente, dependiendo de la configuración de nombre-valor.La pérdida de clasificaciónL

Ejemplos

Estimación de error fuera de la bolsa

Cargue el conjunto de datos de iris de Fisher.

load fisheriris

Cultivar una bolsa de 100 árboles de clasificación.

ens = fitcensemble(meas,species,'Method','Bag');

Calcule el error de clasificación fuera de bolsa.

L = oobLoss(ens)

L = 0.0467 

Más acerca de

Fuera de bolsa

, que significa "agregación de bootstrap", es un tipo de aprendizaje conjunto.Embolsado Para cargar un alumno débil, como un árbol de decisión en un conjunto de datos, genera muchas réplicas de arranque del conjunto de datos y aumenta los árboles de decisión en estas réplicas. obtiene cada réplica de arranque seleccionando aleatoriamente las observaciones con la sustitución, donde está el tamaño del DataSet.fitcensemblefitcensembleNNN Para encontrar la respuesta pronosticada de un conjunto entrenado, predict tomar un promedio sobre las predicciones de árboles individuales.

La elaboración de observaciones con sustitución omite en promedio un 37% (1/) de observaciones para cada árbol de decisión.NNe Estas son observaciones "fuera de bolsa". Para cada observación, se estima la predicción fuera de bolsa al promediar las predicciones de todos los árboles del conjunto para los que esta observación está fuera de bolsa.oobLoss A continuación, compara la predicción calculada con la respuesta verdadera para esta observación. Calcula el error de fuera de bolsa comparando las respuestas pronosticadas fuera de bolsa con las respuestas verdaderas para todas las observaciones utilizadas para el entrenamiento. Este promedio fuera de bolsa es un estimador imparcial del verdadero error de conjunto.

Pérdida de clasificación

funciones miden la inexactitud predictiva de los modelos de clasificación.La pérdida de clasificación Cuando se compara el mismo tipo de pérdida entre muchos modelos, una pérdida menor indica un mejor modelo predictivo.

Considere el siguiente escenario.

• es la pérdida de clasificación promedio ponderada.L

• es el tamaño de la muestra.n

• Para la clasificación binaria:

  • y_j es la etiqueta de clase observada. El software codifica como – 1 o 1, indicando la clase negativa o positiva, respectivamente.

  • (fX_j) es la puntuación de clasificación sin procesar para la observación (fila) de los Datos predictores.jX

  • M_j = y_j(fX_j) es la puntuación de clasificación para clasificar la observación en la clase correspondiente aj y_j. Los valores positivos de M_j indicar la clasificación correcta y no contribuyen mucho a la pérdida media. Los valores negativos de M_j indicar una clasificación incorrecta y contribuir significativamente a la pérdida media.

• Para algoritmos que admiten la clasificación multiclase (es decir, ≥ 3):K

  • y_j^* es un vector de – 1 ceros, con 1 en la posición correspondiente a la clase verdadera, observadaK y_j. Por ejemplo, si la clase verdadera de la segunda observación es la tercera clase y = 4, entoncesKy^*₂ = [0 0 1 0] ′. El orden de las clases corresponde al orden en la propiedad del modelo de entrada.ClassNames

  • (fX_j) es el vector de longitud de las puntuaciones de clase para la observación de los Datos predictores.KjX El orden de las puntuaciones corresponde al orden de las clases de la propiedad del modelo de entrada.ClassNames

  • M_j = y_j^*′ (fX_j). por lo tanto M_j es la puntuación de clasificación escalar que predice el modelo para la clase verdadera observada.

• El peso para la observación esj W_j. El software normaliza los pesos de observación de modo que sumará a la probabilidad de clase anterior correspondiente. El software también normaliza las probabilidades previas por lo que suman a 1. por lo tanto

  $${\displaystyle \sum _{j=1}^n{w}_j}=1.$$

Dado este escenario, en la tabla siguiente se describen las funciones de pérdida admitidas que se pueden especificar mediante el argumento de par nombre-valor.'LossFun'

Función de pérdida	Valor deLossFun	Ecuación
Desviación binomial	'binodeviance'	$$L={\displaystyle \sum _{j=1}^n{w}_j\log \left\{1+\exp \left[-2m_j\right]\right\}}.$$
Pérdida exponencial	'exponential'	$$L={\displaystyle \sum _{j=1}^n{w}_j\exp \left(-m_j\right)}.$$
Error de clasificación	'classiferror'	$$L={\displaystyle \sum _{j=1}^n{w}_j}I\left\{{\widehat{y}}_j\ne y_j\right\}.$$ Es la fracción ponderada de las observaciones mal clasificadas donde $${\widehat{y}}_j$$ es la etiqueta de clase correspondiente a la clase con la probabilidad posterior máxima. {} es la función indicadora.Ix
La pérdida de bisagra	'hinge'	$$L={\displaystyle \sum }_{j=1}^n{w}_j\max \left\{0,1-m_j\right\}.$$
La pérdida de Logit	'logit'	$$L={\displaystyle \sum _{j=1}^n{w}_j\log \left(1+\exp \left(-m_j\right)\right)}.$$
El costo mínimo	'mincost'	Costo mínimo. El software calcula el coste mínimo ponderado utilizando este procedimiento para observaciones = 1,...,.jn Estimar el 1 por vector de los costos de clasificación esperados para la observación:Kj $${\gamma }_j=f{\left(X_j\right)}^{\prime }C.$$ (fXj) es el vector de columna de las probabilidades posteriores de clase para la clasificación binaria y multiclase. es la matriz de costes que el modelo de entrada almacena en la propiedad.CCosto Para la observación, predecir la etiqueta de clase correspondiente al coste mínimo de clasificación esperado:j $${\widehat{y}}_j=\underset{j=1,\mathrm{...},K}{\min }\left({\gamma }_j\right).$$ Utilizando, identifique el costo incurrido (CCj) para realizar la predicción. La pérdida de costo mínima ponderada, promedio, es $$L={\displaystyle \sum _{j=1}^n{w}_j{c}_j}.$$
Pérdida cuadrática	'quadratic'	$$L={\displaystyle \sum _{j=1}^n{w}_j{\left(1-m_j\right)}^2}.$$

Esta figura compara las funciones de pérdida (excepto) para una observación.'mincost'm Algunas funciones se normalizan para pasar a través de [0,1].

Consulte también

loss | oobEdge | oobMargin | oobPredict

×

Open Example (es)

A modified version of this example exists on your system. Do you want to open this version instead? (es)

No, overwrite the modified version (es) Yes (es)