addMetrics
计算额外的分类性能指标
描述
rocmetrics
计算假阳性率(FPR)、真阳性率(TPR)和由AdditionalMetrics
名称-值参数。在创建一个rocmetrics
对象时,可以使用addMetrics
函数。
中指定的其他分类性能指标UpdatedROCObj
= addMetrics (rocObj
,指标
)指标
中存储的分类模型信息rocmetrics
对象rocObj
.
UpdatedROCObj
包含的所有信息rocObj
加上计算的附加性能指标addMetrics
.函数附加附加的计算指标(指标
的表中的新变量指标
财产。
如果你在创建时计算置信区间rocObj
,addMetrics
函数计算附加项的置信区间指标
.的新变量指标
属性包含一个三列矩阵,其中第一列对应度量值,第二列和第三列分别对应下界和上界。
例子
计算额外的指标
为一个多类分类问题计算性能指标(FPR、TPR和预期成本)rocmetrics
对象。计算额外的度量,阳性预测值(PPV)和阴性预测值(NPV),并将它们添加到对象中。
加载fisheriris
数据集。矩阵量
包含150种不同花朵的花朵尺寸。向量物种
列出每种花的种类。物种
包含三种不同的花名。
负载fisheriris
训练一个分类树,将观察结果分类为三个标签中的一个。使用10倍交叉验证交叉验证模型。
rng (“默认”)%的再现性Mdl = fitctree(量、物种,Crossval =“上”);
计算验证倍数观察的分类分数。
[~,分数]= kfoldPredict (Mdl);大小(分数)
ans =1×2150年3
分数
矩阵的大小150
——- - - - - -3.
.的列顺序分数
按照类的顺序Mdl
.中存储的类顺序Mdl。ClassNames
.
Mdl。ClassNames
ans =3 x1细胞{'setosa'} {'versicolor'} {'virginica'}
创建一个rocmetrics
对象的真实标签物种
分类分数在分数
.的列顺序分数
使用Mdl。ClassNames
.默认情况下,rocmetrics
计算FPR和TPR。指定AdditionalMetrics = " ExpectedCost "
还要计算预期成本。
rocObj = rocmetrics(物种,分数,Mdl。一会,...AdditionalMetrics =“ExpectedCost”);
那张桌子在指标
的属性rocObj
包含所有三个类的性能度量值,根据类的顺序垂直连接。查找并显示表中第二个类的行。
idx = strcmp (rocObj.Metrics.ClassName Mdl.ClassNames (2));rocObj.Metrics (idx:)
ans =13×5表ClassName阈值FalsePositiveRate TruePositiveRate ExpectedCost ______________ _________ _________________ ________________ ____________ {'versicolor'} 1 0 0 0.074074 {'versicolor'} 0.95455 0.02 0.8 0.017778 {'versicolor'} 0.91304 0.03 0.9 0.011852 {'versicolor'} -0.2 0.04 0.9 0.013333 {'versicolor'} -0.33333 0.06 0.9 0.016296 {'versicolor'} -0.6 0.08 0.9 0.019259 {'versicolor'} -0.86957 0.12 0.92 0.023704 {'versicolor'} -0.91111 0.16 0.96 0.026667{'versicolor'} -0.95122 0.31 0.96 0.048889 {'versicolor'} -0.95238 0.38 0.98 0.057778 {'versicolor'} -0.95349 0.44 0.98 0.066667 {'versicolor'} -1 1 0.14815
的表指标
包含类名、阈值、假阳性率、真阳性率和预期成本(附加度量)的变量。
在创建一个rocmetrics
对象,您可以使用存储在对象中的分类模型信息计算附加指标。方法计算PPV和NPVaddMetrics
函数。覆盖输入参数rocObj
的输出addMetrics
的输入。
rocObj = addMetrics (rocObj, (“PositivePredictiveValue”,“NegativePredictiveValue”]);
显示指标
财产。
rocObj.Metrics (idx:)
ans =13×7表ClassName阈值FalsePositiveRate TruePositiveRate ExpectedCost PositivePredictiveValue NegativePredictiveValue ______________ _________ _________________ ________________ ____________ _______________________ _______________________ {' 杂色的'}1 0 0 0.074074南0.66667{“癣”}1 0.01 0.7 0.023704 0.97222 0.86842{“癣”}0.95455 0.02 0.8 0.017778 0.95238 0.90741{“癣”}0.91304 0.03 0.9 0.011852 0.9375 0.95098{“癣”}-0.2 0.04 0.9 0.013333 0.91837 0.9505{'versicolor'} -0.33333 0.06 0.9 0.016296 0.88235 0.94949 {'versicolor'} -0.6 0.08 0.9 0.019259 0.84906 0.94845 {'versicolor'} -0.86957 0.12 0.92 0.023704 0.7931 0.95652 {'versicolor'} -0.91111 0.16 0.96 0.026667 0.75 0.97674 {'versicolor'} -0.95122 0.31 0.96 0.048889 0.60759 0.97183 {'versicolor'} -0.95238 0.38 0.98 0.057778 0.56322 0.98413 {'versicolor'} -0.95349 0.44 0.98 0.066667 0.52688 0.98246 {'versicolor'} -1 1 0.14815 0.33333 NaN
的表指标
现在包括PositivePredictiveValue
而且NegativePredictiveValue
最后两列的变量,按您指定的顺序。注意,阳性预测值(PPV = TP / (TP + FP)
)是南
对于拒绝全部阈值(最大阈值),负预测值(净现值= TN / (TN + FN)
)是南
对于accept-all阈值(最低阈值)。TP
,《外交政策》
,TN
,FN
分别表示真阳性、假阳性、真阴性和假阴性的数量。
输入参数
rocObj
- - - - - -对象评价分类性能
rocmetrics
对象
对象评估分类性能,指定为rocmetrics
对象。
指标
- - - - - -附加的模型性能度量
特征向量|字符串数组|函数处理|单元阵列
要计算的其他模型性能指标,指定为内置指标名称的字符向量或字符串标量、名称的字符串数组、函数句柄(@metricName
),或名称或函数句柄的单元格数组。一个rocmetrics
对象总是计算假阳性率(FPR)和真阳性率(TPR)来得到ROC曲线。因此,您不必指定计算FPR和TPR。
内置度量—通过使用字符向量或字符串标量指定以下内置度量名称之一。可以使用字符串数组指定多个。
的名字 描述 “TruePositives”
或“tp”
真阳性数(TP) “FalseNegatives”
或“fn”
假阴性数(FN) “FalsePositives”
或“外交政策”
假阳性数(FP) “TrueNegatives”
或“tn”
真阴性数(TN) “SumOfTrueAndFalsePositives”
或“tp + fp”
TP和FP的和 “RateOfPositivePredictions”
或“齿”
正面预测率(RPP), (TP + FP) / (TP + FN + FP + TN)
“RateOfNegativePredictions”
或“rnp”
负面预测率(RNP), (TN + FN) / (TP + FN + FP + TN)
“准确性”
或“所以”
的准确性, (TP + TN) / (TP + FN + FP + TN)
“FalseNegativeRate”
,“fnr”
,或“小姐”
误报率(FNR)或漏报率, FN / (TP + FN)
“TrueNegativeRate”
,“tnr”
,或“规范”
真阴性率(TNR)或特异性, TN / (TN + FP)
“PositivePredictiveValue”
,“ppv”
,或”前的“
正预测值(PPV),或精度, TP / (TP + FP)
“NegativePredictiveValue”
或“净现值”
阴性预测值(NPV), TN / (TN + FN)
“ExpectedCost”
或“ecost”
预期成本,
(TP *成本(P | P) + FN *成本(N | P) + FP *成本(P | N) + TN *成本(N | N)) / (TP + FN + FP + TN)
,在那里成本
2 × 2的错误分类成本矩阵包含[0,成本(N | P);成本(P | N), 0]
.成本(N | P)
是对正类进行错误分类的代价(P
)作为否定类(N
),成本(P | N)
就是把消极类错误地分类为积极类的代价。该软件将
K
——- - - - - -K
指定的矩阵成本
名称-值参数rocmetrics
到一个2 × 2矩阵来解决每一个一元对全二元问题。有关详细信息,请参见误分类代价矩阵.自定义度量—通过使用函数句柄指定自定义度量。返回性能指标的自定义函数必须具有以下形式:
度量= customMetric (C、规模、成本)
输出参数
度规
是标量值。自定义度量是混淆矩阵(
C
),尺度向量(规模
)和成本矩阵(成本
).该软件为每个一元对全二元问题找到这些输入值。有关详细信息,请参见性能指标.C
是一个2
——- - - - - -2
混淆矩阵由(TP, FN; FP, TN)
.规模
是一个2
——- - - - - -1
尺度向量。成本
是一个2
——- - - - - -2
误分类代价矩阵。
该软件不支持对自定义度量的交叉验证。相反,您可以指定在创建
rocmetrics
对象。
注意,阳性预测值(PPV)为南
的拒绝全部阈值TP
=《外交政策》
=0
,负预测值(NPV)为南
的接受所有阈值TN
=FN
=0
.有关更多细节,请参见阈值、固定度量和固定度量值.
例子:(“准确性”,“PositivePredictiveValue”)
例子:{“准确性”,@m1, @m2}
指定精度指标和自定义指标m1
而且平方米
作为额外的指标。addMetrics
将自定义度量值存储为命名的变量CustomMetric1
而且CustomMetric2
在指标
财产。
数据类型:字符
|字符串
|细胞
|function_handle
输出参数
UpdatedROCObj
-分类性能评价对象
rocmetrics
对象
版本历史
介绍了R2022a
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。
您也可以从以下列表中选择网站:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。