addMetrics

计算额外的分类性能指标

在页面中全部折叠

语法

UpdatedROCObj = addMetrics (rocObj、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。

例子

UpdatedROCObj= addMetrics (rocObj，指标)中指定的其他分类性能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

全部折叠

计算额外的指标

打开生活的脚本

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

全部折叠

`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．

该软件使用先验类概率(之前)和课程数目标签，然后根据这个缩放向量缩放性能指标。有关详细信息,请参见性能指标．

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。