Formation en Matlab Programmation Orientée-objet

Utilisation de quelques méthodes

*readtable()
On utilise cette méthode pour importer des données sous forme
tableau. La syntaxe est :
data = readtable("myfile.xlsx");
Vous pouvez utiliser la notation par points pour faire référence à
n’importe quelle variable individuelle d’une table
x = mytable. Xdata;
y = mytable. Ydata;

Cela extrait la variable Xdata de la table mytable et stocke le résultat

dans une nouvelle variable appelée x. De même, la variable Ydata est
extraite en y.
Vous pouvez utiliser la notation par points pour extraire, modifier et
réaffecter des variables dans une table, comme vous le feriez avec
n’importe quelle variable.

x = x + 3;
données. XVal = données. XVal + 3;
Utilisez la fonction scatter() de dispersion pour tracer les entités
extraites, avec les proportions sur l’axe horizontal et la durée sur l’axe
vertical.

La fonction gscatter() s’occupe de la dispersion de plusieurs variables et

colorées.
Un exemple est :

Programmmation
orientée-objet :
classification d’un
modèle (cas d’un kNN).
Un modèle simple consiste à classer une observation dans la même
classe que les exemples connus les plus proches. C’est ce qu’on appelle
un modèle k-plus proche voisin (kNN). Vous pouvez ajuster un modèle
kNN en passant une table de données à la fonction fitcknn.

mdl = fitcknn(data,"ResponseVariable");

La deuxième entrée est le nom de la variable de réponse dans la table

(c’est-à-dire la classe que vous souhaitez que le modèle prédise). La
sortie est une variable contenant le modèle ajusté.
La fonction de prédiction détermine la classe prédite des nouvelles
observations.

predClass = predict(model,newdata)
Tu peux mettre les nouvellles données (newdata) sous forme de
vecteurs.
Les intrants sont le modèle formé et les nouvelles observations. Le
résultat est un tableau catégorique de la classe prédite pour chaque
observation dans les nouvelles données.

Généralement, les nouvelles observations se présentent sous la forme

d’un tableau avec les mêmes variables prédictives que celles utilisées
pour former le modèle.
Quelle est la qualité du modèle kNN ? Vous pouvez utiliser le modèle
pour faire des prédictions, mais quelle est la qualité de ces prédictions?
En règle générale, vous souhaitez tester le modèle en lui demandant de
faire des prédictions sur des observations pour lesquelles vous
connaissez la classification correcte.
Les classes connues pour les observations de test sont stockées dans la
variable Character de la table testdata.
Après évaluation du résultat, on peut également calculer la proportion
pour déterminer la prédiction la plus correcte.
On peut également utiliser des fonctions telles que sum et numel
accuracy=sum(iscorrect)/numel(predictions)
Plutôt que l’exactitude (la proportion de prédictions correctes), une
métrique d’évaluation couramment utilisée pour évaluer un modèle est
le taux de classification erronée (la proportion de prédictions
incorrectes).
La précision et le taux de classification erronée donnent une valeur
unique pour la performance globale du modèle, mais il peut être utile
de voir une ventilation plus détaillée des classes que le modèle confond.
Une matrice de confusion montre le nombre d’observations pour
chaque combinaison de classe vraie et prédite
On peu donc utiliser la fonction confusionchart(ytrue,ypredict) ou ytrue
est la classe connue et ypredict est la classe prédites.
Un exemple avec la classe connue testdata du tableau Character et la
classe prédite qui est predictions.
confusionchart(testdata.Character,predictions)
La matrice de confusion se présente comme suit :

Vous pouvez utiliser des caractères génériques pour créer une banque
de données dans des fichiers ou des dossiers correspondant à un
modèle particulier.
ds = datastore("données*.xlsx");
Vous pouvez utiliser la fonction de lecture pour importer les données à
partir d’un fichier dans la banque de données.
data= read(letterds);
L’utilisation de la fonction de lecture la première fois importera les
données du premier fichier. L’utiliser une deuxième fois importera les
données du deuxième fichier, et ainsi de suite.