Question

我写了一些代码来运行基于线性判别分析的分类：

%% Construct a LDA classifier with selected features and ground truth information
LDAClassifierObject                     = ClassificationDiscriminant.fit(featureSelcted, groundTruthGroup, 'DiscrimType', 'linear');
LDAClassifierResubError                 = resubLoss(LDAClassifierObject);

因此，我可以得到

Resubstitution Error of LDA (Training Error): 1.7391e-01
Resubstitution Accuracy of LDA: 82.61%
Confusion Matrix of LDA:
    14     3
     1     5

然后我为LDA分类器运行ROC分析：

% Predict resubstitution response of LDA classifier
[LDALabel, LDAScore]                    = resubPredict(LDAClassifierObject);

% Fit probabilities for scores (the groundTruthGroup contains lables either 'Good' or 'Bad')
[FPR, TPR, Thr, AUC, OPTROCPT]      = perfcurve(groundTruthGroup(:,1), LDAScore(:,1), 'Good');

我有：

OPTROCPT =

    0.1250    0.8667

因此，我们可以得到：

Accuracy of LDA after ROC analysis: 86.91%
Confusion Matrix of LDA after ROC analysis:
    13     1
     2     7

我的问题是：

在我们报告分类器的准确性时，我们应该使用哪个值，在ROC分析后我们获得了更好的准确度？ ROC曲线到底能告诉我们什么或可以推断出什么？我们可以说在ROC分析后我们发现LDA分类器具有更好的准确度吗？
为什么ROC可以为分类器提供更好的准确性，但原来的ClassificationDiscriminant.fit不能？
我还对LDA分类器进行了交叉验证，比如

cvLDAClassifier = crossval（LDAClassifierObject，'leaveout'，'on'）;

那么如何获得交叉验证的ROC分析？ 'resubPredict'方法似乎只接受'判别对象'作为输入，那么我们如何得到分数？

4 .. classperf Matlab的功能非常方便收集分类器的所有信息，如

%% Get the performance of the classifier
LDAClassifierPerformace                 = classperf(groundTruthGroup, resubPredict(LDAClassifierObject));

但是，有人知道如何收集交叉验证结果等准确性，FPR等信息吗？

非常感谢。我真的很期待看到上述问题的答复。

一个。

ROC曲线到底能告诉我们什么或可以推断出什么？

0 个答案: