训练中未使用的观察值的分类损失gydF4y2Ba
返回交叉验证的gydF4y2Ba分类错误gydF4y2Ba由线性分类模型组成的交叉验证、纠错输出码(ECOC)模型估计的速率gydF4y2BalgydF4y2Ba
= kfoldLoss (gydF4y2Bacvmdl.gydF4y2Ba
)gydF4y2Bacvmdl.gydF4y2Ba
.也就是说,对于每一个折叠,gydF4y2BakfoldLossgydF4y2Ba
当它使用所有其他的观察来训练时,估计观察结果的分类错误率。gydF4y2BakfoldLossgydF4y2Ba
应用创建时使用的相同数据gydF4y2Bacvmdl.gydF4y2Ba
(见gydF4y2BafitcecocgydF4y2Ba
).gydF4y2Ba
lgydF4y2Ba
包含组成的线性分类模型中的每个正则化强度的分类损耗gydF4y2Bacvmdl.gydF4y2Ba
.gydF4y2Ba
使用一个或多个指定的附加选项gydF4y2BalgydF4y2Ba
= kfoldLoss (gydF4y2Bacvmdl.gydF4y2Ba
,gydF4y2Ba名称,值gydF4y2Ba
)gydF4y2Ba名称,值gydF4y2Ba
对参数。例如,指定一个解码方案,它折叠用于损失计算,或详细级别。gydF4y2Ba
cvmdl.gydF4y2Ba
- - - - - -gydF4y2Ba交叉验证的ECOC模型由线性分类模型组成gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba
模型对象gydF4y2Ba经交叉验证,ECOC模型由线性分类模型组成,指定为gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba
模型对象。你可以创建一个gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba
模型使用gydF4y2BafitcecocgydF4y2Ba
和:gydF4y2Ba
例如,指定任意一个交叉验证的名称-值对参数,gydF4y2BaCrossValgydF4y2Ba
设置名称-值对参数gydF4y2Ba学习者gydF4y2Ba
来gydF4y2Ba“线性”gydF4y2Ba
或返回的线性分类模型模板gydF4y2BatemplateLineargydF4y2Ba
为了获得估计,kfoldLoss应用了用于交叉验证ECOC模型的相同数据(gydF4y2BaXgydF4y2Ba
和gydF4y2BaYgydF4y2Ba
).gydF4y2Ba
指定可选的逗号分隔的对gydF4y2Ba名称,值gydF4y2Ba
论点。gydF4y2Ba的名字gydF4y2Ba
参数名和gydF4y2Ba价值gydF4y2Ba
为对应值。gydF4y2Ba的名字gydF4y2Ba
必须出现在引号内。可以以任意顺序指定多个名称和值对参数gydF4y2Baname1,value1,...,namen,valuengydF4y2Ba
.gydF4y2Ba
BinaryLossgydF4y2Ba
- - - - - -gydF4y2Ba二元学习者损失函数gydF4y2Ba“汉明”gydF4y2Ba
|gydF4y2Ba“线性”gydF4y2Ba
|gydF4y2Ba分对数的gydF4y2Ba
|gydF4y2Ba“指数”gydF4y2Ba
|gydF4y2Ba“binodeviance”gydF4y2Ba
|gydF4y2Ba“枢纽”gydF4y2Ba
|gydF4y2Ba'二次'gydF4y2Ba
|gydF4y2Ba函数处理gydF4y2Ba二元学习器损失函数,指定为逗号分隔对,由gydF4y2Ba'binaryloss'gydF4y2Ba
以及一个内置的丢失函数名或函数句柄。gydF4y2Ba
此表包含内置功能的名称和描述,其中gydF4y2BaygydF4y2BajgydF4y2Ba是一个特定二元学习者的类标签(在集合{-1,1,0}中),gydF4y2Ba年代gydF4y2BajgydF4y2Ba分数是否供观察gydF4y2BajgydF4y2Ba,gydF4y2BaggydF4y2Ba(gydF4y2BaygydF4y2BajgydF4y2Ba,gydF4y2Ba年代gydF4y2BajgydF4y2Ba)是二进制损失公式。gydF4y2Ba
价值gydF4y2Ba | 描述gydF4y2Ba | 分数域gydF4y2Ba | ggydF4y2Ba(gydF4y2BaygydF4y2BajgydF4y2Ba,gydF4y2Ba年代gydF4y2BajgydF4y2Ba)gydF4y2Ba |
---|---|---|---|
“binodeviance”gydF4y2Ba |
二项异常gydF4y2Ba | (-∞∞)gydF4y2Ba | 日志(1 + exp (2gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba日志(2)])]/ [2gydF4y2Ba |
“指数”gydF4y2Ba |
指数gydF4y2Ba | (-∞∞)gydF4y2Ba | exp (-gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba/ 2gydF4y2Ba |
“汉明”gydF4y2Ba |
汉明gydF4y2Ba | [0, 1]或(-∞,∞)gydF4y2Ba | [1 -符号(gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba) / 2gydF4y2Ba |
“枢纽”gydF4y2Ba |
铰链gydF4y2Ba | (-∞∞)gydF4y2Ba | 最大(0,1 -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba/ 2gydF4y2Ba |
“线性”gydF4y2Ba |
线性gydF4y2Ba | (-∞∞)gydF4y2Ba | (1 -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba/ 2gydF4y2Ba |
分对数的gydF4y2Ba |
物流gydF4y2Ba | (-∞∞)gydF4y2Ba | 日志[1 + exp (-gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba日志(2)])]/ [2gydF4y2Ba |
'二次'gydF4y2Ba |
二次gydF4y2Ba | [0, 1]gydF4y2Ba | (1 -gydF4y2BaygydF4y2BajgydF4y2Ba(2gydF4y2Ba年代gydF4y2BajgydF4y2Ba- 1)]gydF4y2Ba2gydF4y2Ba/2gydF4y2Ba |
该软件使二进制损失正常化,当损失是0.5gydF4y2BaygydF4y2BajgydF4y2Ba= 0。此外,软件计算每个类的平均二进制损失。gydF4y2Ba
对于自定义二进制损耗函数,例如:gydF4y2BacustomFunctiongydF4y2Ba
,指定其函数句柄gydF4y2BaBinaryLoss, @customFunctiongydF4y2Ba
.gydF4y2Ba
customFunctiongydF4y2Ba
应该有这个表格gydF4y2Ba
布劳斯= customFunction (M s)gydF4y2Ba
米gydF4y2Ba
是gydF4y2BaKgydF4y2Ba-经过-gydF4y2BalgydF4y2Ba存储在编码矩阵gydF4y2BaMdl。CodingMatrix
.gydF4y2Ba
年代gydF4y2Ba
是1 -gydF4y2BalgydF4y2Ba分类得分的行矢量。gydF4y2Ba
布劳斯gydF4y2Ba
是分类损失。这个标量集合了特定班级中每个学习者的二进制损失。例如,您可以使用平均二进制损失来汇总每个类的学习者的损失。gydF4y2Ba
KgydF4y2Ba为类数。gydF4y2Ba
lgydF4y2Ba是二元学习者的数量。gydF4y2Ba
有关传递自定义二进制损耗函数的示例,请参见gydF4y2Ba用自定义二元损耗函数预测ECOC模型的试样标签gydF4y2Ba.gydF4y2Ba
默认情况下,如果所有二进制学习者都是线性分类模型,使用:gydF4y2Ba
支持向量机,然后gydF4y2BaBinaryLossgydF4y2Ba
是gydF4y2Ba“枢纽”gydF4y2Ba
Logistic回归,然后gydF4y2BaBinaryLossgydF4y2Ba
是gydF4y2Ba'二次'gydF4y2Ba
例子:gydF4y2Ba“BinaryLoss”、“binodeviance”gydF4y2Ba
数据类型:gydF4y2BachargydF4y2Ba
|gydF4y2Ba字符串gydF4y2Ba
|gydF4y2Bafunction_handlegydF4y2Ba
解码gydF4y2Ba
- - - - - -gydF4y2Ba解码方案gydF4y2Ba“lossweighted”gydF4y2Ba
(默认)|gydF4y2Ba“lossbased”gydF4y2Ba
聚合二进制损失的解码方案,指定为由。组成的逗号分隔对gydF4y2Ba“解码”gydF4y2Ba
和gydF4y2Ba“lossweighted”gydF4y2Ba
或gydF4y2Ba“lossbased”gydF4y2Ba
.有关更多信息,请参见gydF4y2Ba二元损失gydF4y2Ba.gydF4y2Ba
例子:gydF4y2Ba“解码”、“lossbased”gydF4y2Ba
折叠gydF4y2Ba
- - - - - -gydF4y2Ba折叠用于分类评分预测的指标gydF4y2Ba1: CVMdl。KFoldgydF4y2Ba
(默认)|gydF4y2Ba正整数的数字向量gydF4y2Ba用于分类评分预测的折叠索引,指定为逗号分隔对,由gydF4y2Ba“折叠”gydF4y2Ba
和一个正整数的数字向量。的元素gydF4y2Ba折叠gydF4y2Ba
必须从gydF4y2Ba1gydF4y2Ba
通过gydF4y2BaCVMdl。KFoldgydF4y2Ba
.gydF4y2Ba
例子:gydF4y2Ba“折叠”,[1 4 10]gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
亏本义务gydF4y2Ba
- - - - - -gydF4y2Ba损失功能gydF4y2Ba'classiferror'gydF4y2Ba
(默认)|gydF4y2Ba函数处理gydF4y2Ba损失函数,指定为逗号分隔对组成gydF4y2Ba“LossFun”gydF4y2Ba
和函数句柄或gydF4y2Ba'classiferror'gydF4y2Ba
.gydF4y2Ba
你可以:gydF4y2Ba
指定内置功能gydF4y2Ba'classiferror'gydF4y2Ba
,则损失函数为gydF4y2Ba分类错误gydF4y2Ba.gydF4y2Ba
使用函数句柄表示法指定你自己的函数。gydF4y2Ba
接下来,gydF4y2BangydF4y2Ba
为训练数据中的观测次数(gydF4y2BaCVMdl。NumObservationsgydF4y2Ba
),gydF4y2BaKgydF4y2Ba
为班级数(gydF4y2Ba元素个数(CVMdl.ClassNames)gydF4y2Ba
).您的函数需要签名gydF4y2Balockvalue =gydF4y2Ba
,地点:gydF4y2BalossfungydF4y2Ba
(C、S、W、成本)gydF4y2Ba
输出参数gydF4y2BalossvaluegydF4y2Ba
是一个标量。gydF4y2Ba
选择函数名(gydF4y2BalossfungydF4y2Ba
).gydF4y2Ba
CgydF4y2Ba
是一个gydF4y2BangydF4y2Ba
-经过-gydF4y2BaKgydF4y2Ba
逻辑矩阵,其行表示相应的观测属于哪一类。中的列顺序对应于类的顺序gydF4y2BaCVMdl。ClassNames
.gydF4y2Ba
构造gydF4y2BaCgydF4y2Ba
通过设置gydF4y2BaC (p, q) = 1gydF4y2Ba
如果观察gydF4y2BapgydF4y2Ba
是在课堂上gydF4y2Ba问gydF4y2Ba
,每一行。设置行中的每个元素gydF4y2BapgydF4y2Ba
来gydF4y2Ba0gydF4y2Ba
.gydF4y2Ba
年代gydF4y2Ba
是一个gydF4y2BangydF4y2Ba
-经过-gydF4y2BaKgydF4y2Ba
类的负损失值的数值矩阵。每一行对应一个观察值。中的列顺序对应于类的顺序gydF4y2BaCVMdl。ClassNames
.gydF4y2Ba年代gydF4y2Ba
类似于输出参数gydF4y2BaNegLossgydF4y2Ba
的gydF4y2BakfoldPredictgydF4y2Ba
.gydF4y2Ba
WgydF4y2Ba
是一个gydF4y2BangydF4y2Ba
-乘1数值向量的观测权值。如果你通过gydF4y2BaWgydF4y2Ba
,软件将其元素的总和标准化为gydF4y2Ba1gydF4y2Ba
.gydF4y2Ba
成本gydF4y2Ba
是一个gydF4y2BaKgydF4y2Ba
-经过-gydF4y2BaKgydF4y2Ba
错误分类成本的数字矩阵。例如,gydF4y2Ba成本gydF4y2Ba
=gydF4y2Ba(k)-eye(k)gydF4y2Ba
指定正确分类的代价为0,错误分类的代价为1。gydF4y2Ba
使用以下命令指定函数gydF4y2Ba'lockfun',@ lockfungydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Bafunction_handlegydF4y2Ba
|gydF4y2BachargydF4y2Ba
|gydF4y2Ba字符串gydF4y2Ba
模式gydF4y2Ba
- - - - - -gydF4y2Ba聚合损失水平gydF4y2Ba“平均”gydF4y2Ba
(默认)|gydF4y2Ba“个人”gydF4y2Ba
损失聚合级别,指定为逗号分隔对组成gydF4y2Ba“模式”gydF4y2Ba
和gydF4y2Ba“平均”gydF4y2Ba
或gydF4y2Ba“个人”gydF4y2Ba
.gydF4y2Ba
价值gydF4y2Ba | 描述gydF4y2Ba |
---|---|
“平均”gydF4y2Ba |
回报率损失在所有折线上平均gydF4y2Ba |
“个人”gydF4y2Ba |
返回每个折叠的损失gydF4y2Ba |
例子:gydF4y2Ba“模式”,“个人”gydF4y2Ba
选项gydF4y2Ba
- - - - - -gydF4y2Ba估计选项gydF4y2Ba[]gydF4y2Ba
(默认)|gydF4y2Ba返回的结构数组gydF4y2Ba实例化gydF4y2Ba
估计选项,指定为逗号分隔的对,由gydF4y2Ba“选项”gydF4y2Ba
和返回的结构数组gydF4y2Ba实例化gydF4y2Ba
.gydF4y2Ba
要调用并行计算:gydF4y2Ba
您需要一个并行计算工具箱™许可证。gydF4y2Ba
指定gydF4y2Ba'选项',statset('deverpareliall',true)gydF4y2Ba
.gydF4y2Ba
详细的gydF4y2Ba
- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba0gydF4y2Ba
(默认)|gydF4y2Ba1gydF4y2Ba
详细程度,指定为逗号分隔对,由gydF4y2Ba“详细”gydF4y2Ba
和gydF4y2Ba0gydF4y2Ba
或gydF4y2Ba1gydF4y2Ba
.gydF4y2Ba详细的gydF4y2Ba
控制软件在命令窗口中显示的诊断消息的数量。gydF4y2Ba
如果gydF4y2Ba详细的gydF4y2Ba
是gydF4y2Ba0gydF4y2Ba
,则该软件不会显示诊断消息。否则,软件将显示诊断消息。gydF4y2Ba
例子:gydF4y2Ba“详细”,1gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
lgydF4y2Ba
-交叉验证的分类损失gydF4y2Ba旨在gydF4y2Ba分类损失gydF4y2Ba,以数字标量、向量或矩阵的形式返回。的解释gydF4y2BalgydF4y2Ba
取决于gydF4y2Ba亏本义务gydF4y2Ba
.gydF4y2Ba
让gydF4y2BaRgydF4y2Ba
正则化强度的数量是交叉验证的模型(gydF4y2Bacvmdl.trined {1} .binarylearners {1} .lambdagydF4y2Ba
),gydF4y2BaFgydF4y2Ba
为存储的折叠数gydF4y2BaCVMdl。KFoldgydF4y2Ba
).gydF4y2Ba
如果gydF4y2Ba模式gydF4y2Ba
是gydF4y2Ba“平均”gydF4y2Ba
,然后gydF4y2BalgydF4y2Ba
是1 -gydF4y2BaRgydF4y2Ba
向量。gydF4y2BaL (gydF4y2Ba
是否使用正规化强度的交叉验证模型的所有折线上的平均分类损失gydF4y2BajgydF4y2Ba
)gydF4y2BajgydF4y2Ba
.gydF4y2Ba
否则,gydF4y2BalgydF4y2Ba
是一个gydF4y2BaFgydF4y2Ba
-经过-gydF4y2BaRgydF4y2Ba
矩阵。gydF4y2BaL (gydF4y2Ba
是折页的分类损失吗gydF4y2Ba我gydF4y2Ba
,gydF4y2BajgydF4y2Ba
)gydF4y2Ba我gydF4y2Ba
使用正规化强度的交叉验证模型gydF4y2BajgydF4y2Ba
.gydF4y2Ba
加载NLP数据集。gydF4y2Ba
负载gydF4y2BanlpdatagydF4y2Ba
XgydF4y2Ba
是预测数据的稀疏矩阵,和gydF4y2BaYgydF4y2Ba
是类标签的分类向量。gydF4y2Ba
交叉验证线性分类模型的ECOC模型。gydF4y2Ba
RNG(1);gydF4y2Ba再现性的百分比gydF4y2BaCVMdl = fitcecoc (X, Y,gydF4y2Ba“学习者”gydF4y2Ba,gydF4y2Ba“线性”gydF4y2Ba,gydF4y2Ba“CrossVal”gydF4y2Ba,gydF4y2Ba“上”gydF4y2Ba);gydF4y2Ba
cvmdl.gydF4y2Ba
是一个gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba
模型。默认情况下,该软件实现10倍交叉验证。gydF4y2Ba
估计倍倍分类错误率的平均值。gydF4y2Ba
ce = kfoldLoss (CVMdl)gydF4y2Ba
CE = 0.0958.gydF4y2Ba
或者,您可以通过指定名称-值对来获得每倍分类错误率gydF4y2Ba“模式”,“个人”gydF4y2Ba
在gydF4y2BakfoldLossgydF4y2Ba
.gydF4y2Ba
加载NLP数据集。交换预测数据。gydF4y2Ba
负载gydF4y2BanlpdatagydF4y2BaX = X ';gydF4y2Ba
为简单起见,在所有的观察中使用“其他”标签gydF4y2BaYgydF4y2Ba
不gydF4y2Ba“金宝app模型”gydF4y2Ba
,gydF4y2Ba“dsp”gydF4y2Ba
,或gydF4y2Ba“通讯”gydF4y2Ba
.gydF4y2Ba
Y (~ (ismember (Y, {gydF4y2Ba“金宝app模型”gydF4y2Ba,gydF4y2Ba“dsp”gydF4y2Ba,gydF4y2Ba“通讯”gydF4y2Ba}))) =gydF4y2Ba“别人”gydF4y2Ba;gydF4y2Ba
创建一个线性分类模型模板,指定使用sparsa优化目标函数。gydF4y2Ba
t = templatelinear(gydF4y2Ba“规划求解”gydF4y2Ba,gydF4y2Ba“sparsa”gydF4y2Ba);gydF4y2Ba
用5倍交叉验证交叉验证线性分类模型的ECOC模型。利用SpaRSA优化目标函数。指定预测器观察值对应于列。gydF4y2Ba
RNG(1);gydF4y2Ba再现性的百分比gydF4y2BaCVMdl = fitcecoc (X, Y,gydF4y2Ba“学习者”gydF4y2Ba,t,gydF4y2Ba“KFold”gydF4y2Ba,5,gydF4y2Ba'观察'gydF4y2Ba,gydF4y2Ba“列”gydF4y2Ba);CMdl1 = CVMdl。训练有素的{1}gydF4y2Ba
CMdl1 = CompactClassificationECOC ResponseName: 'Y' ClassNames: [comm dsp 金宝appsimulink others] ScoreTransform: 'none' BinaryLearners: {6x1 cell} CodingMatrix: [4x6 double]属性,方法gydF4y2Ba
cvmdl.gydF4y2Ba
是一个gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba
模型。它包含属性gydF4y2Ba训练有素的gydF4y2Ba
,这是一个5×1个单元阵列,持有agydF4y2BaCompactClassificationECOCgydF4y2Ba
软件使用每个折叠的训练集训练的模型。gydF4y2Ba
创建一个函数,取每个观测的最小损失,然后对所有观测的最小损失进行平均。因为函数不使用类标识符矩阵(gydF4y2BaCgydF4y2Ba
),观察权重(gydF4y2BaWgydF4y2Ba
)及分类费用(gydF4y2Ba成本gydF4y2Ba
),使用gydF4y2Ba~gydF4y2Ba
有gydF4y2BakfoldLossgydF4y2Ba
忽略他们的位置。gydF4y2Ba
lossfun = @ (~ S ~ ~)意味着(最低(- S, [], 2));gydF4y2Ba
使用每个观测函数的最小损失估计平均交叉验证的分类损失。同时,获得每一折的损失。gydF4y2Ba
ce = kfoldLoss (CVMdl,gydF4y2Ba“LossFun”gydF4y2Balossfun)gydF4y2Ba
ce = 0.0243gydF4y2Ba
ceFold = kfoldLoss (CVMdl,gydF4y2Ba“LossFun”gydF4y2Balossfun,gydF4y2Ba“模式”gydF4y2Ba,gydF4y2Ba“个人”gydF4y2Ba)gydF4y2Ba
ceFold =gydF4y2Ba5×1gydF4y2Ba0.0244 0.0255 0.0248 0.0240 0.0226gydF4y2Ba
为了确定ECOC模型的良好的套索惩罚强度,使用logistic回归学习者的线性分类模型,实现5倍交叉验证。gydF4y2Ba
加载NLP数据集。gydF4y2Ba
负载gydF4y2BanlpdatagydF4y2Ba
XgydF4y2Ba
是预测数据的稀疏矩阵,和gydF4y2BaYgydF4y2Ba
是类标签的分类向量。gydF4y2Ba
为简单起见,在所有的观察中使用“其他”标签gydF4y2BaYgydF4y2Ba
不gydF4y2Ba“金宝app模型”gydF4y2Ba
,gydF4y2Ba“dsp”gydF4y2Ba
,或gydF4y2Ba“通讯”gydF4y2Ba
.gydF4y2Ba
Y (~ (ismember (Y, {gydF4y2Ba“金宝app模型”gydF4y2Ba,gydF4y2Ba“dsp”gydF4y2Ba,gydF4y2Ba“通讯”gydF4y2Ba}))) =gydF4y2Ba“别人”gydF4y2Ba;gydF4y2Ba
创建一组11个对数间隔的正则化强度gydF4y2Ba 通过gydF4y2Ba .gydF4y2Ba
λ= logspace (7 2 11);gydF4y2Ba
创建一个线性分类模型模板,指定使用Logistic回归学习者,使用套索惩罚与优势gydF4y2BaλgydF4y2Ba
,使用Sparsa训练,并降低目标函数梯度的容差gydF4y2Ba1 e-8gydF4y2Ba
.gydF4y2Ba
t = templatelinear(gydF4y2Ba“学习者”gydF4y2Ba,gydF4y2Ba“物流”gydF4y2Ba,gydF4y2Ba“规划求解”gydF4y2Ba,gydF4y2Ba“sparsa”gydF4y2Ba,gydF4y2Ba...gydF4y2Ba“正规化”gydF4y2Ba,gydF4y2Ba“套索”gydF4y2Ba,gydF4y2Ba“λ”gydF4y2Baλ,gydF4y2Ba'gradienttolerance'gydF4y2Ba1 e-8);gydF4y2Ba
旨在模型。要提高执行速度,可以调换预测器数据并指定观察结果在列中。gydF4y2Ba
X = X ';RNG(10);gydF4y2Ba再现性的百分比gydF4y2BaCVMdl = fitcecoc (X, Y,gydF4y2Ba“学习者”gydF4y2Ba,t,gydF4y2Ba'观察'gydF4y2Ba,gydF4y2Ba“列”gydF4y2Ba,gydF4y2Ba“KFold”gydF4y2Ba5);gydF4y2Ba
cvmdl.gydF4y2Ba
是一个gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba
模型。gydF4y2Ba
解剖gydF4y2Bacvmdl.gydF4y2Ba
,以及其中的每个模型。gydF4y2Ba
numECOCModels =元素个数(CVMdl.Trained)gydF4y2Ba
numECOCModels = 5gydF4y2Ba
ECOCMdl1 = CVMdl。训练有素的{1}gydF4y2Ba
ECOCMdl1 = CompactClassificationECOC ResponseName: 'Y' ClassNames: [comm dsp 金宝appsimulink others] ScoreTransform: 'none' BinaryLearners: {6×1 cell} CodingMatrix: [4×6 double]属性,方法gydF4y2Ba
numclmodels = numel(ecocmdl1.binarylearners)gydF4y2Ba
numCLModels = 6gydF4y2Ba
CLMdl1 = ECOCMdl1。BinaryLearners {1}gydF4y2Ba
CLMdl1 = ClassificationLinear response: 'Y' ClassNames: [-1 1] ScoreTransform: 'logit' Beta: [34023×11 double] Bias: [-0.3169 -0.3169 -0.3168 -0.3168 -0.3167 -0.1725 -0.0805 -0.1762 -0.3450 -0.5174] Lambda: [1.0000e-07 3.1623e-07 1.1623e -05 1.0000e-04 3.1623e-04 1.0000e-03 0.0032 0.0100]“物流”属性,方法gydF4y2Ba
因为gydF4y2BafitcecocgydF4y2Ba
实现5倍交叉验证,gydF4y2Bacvmdl.gydF4y2Ba
包含一个5 × 1单元数组gydF4y2BaCompactClassificationECOCgydF4y2Ba
软件在每次折叠时训练的模型。的gydF4y2BaBinaryLearnersgydF4y2Ba
每个人的财产gydF4y2BaCompactClassificationECOCgydF4y2Ba
模型包含了gydF4y2BaClassificationLineargydF4y2Ba
模型。的数量gydF4y2BaClassificationLineargydF4y2Ba
每个紧凑ECOC型号内的型号取决于不同的标签和编码设计的数量。因为gydF4y2BaλgydF4y2Ba
是一系列正则化优势,可以想到gydF4y2Baclmdl1.gydF4y2Ba
作为11个型号,一个用于每个正则化强度gydF4y2BaλgydF4y2Ba
.gydF4y2Ba
通过绘制每个正则化强度的5倍分类误差的平均值,确定模型的泛化程度。确定正则化强度,使网格上的泛化误差最小化。gydF4y2Ba
ce = kfoldLoss (CVMdl);图;plot(log10(Lambda),log10(ce)) [~,minCEIdx] = min(ce);minLambda =λ(minCEIdx);持有gydF4y2Ba在gydF4y2Ba情节(log10 (minLambda) log10 (ce (minCEIdx)),gydF4y2Ba“罗”gydF4y2Ba);ylabel (gydF4y2Ba'log_{10} 5倍分类错误'gydF4y2Ba)包含(gydF4y2Ba“log_{10}λ的gydF4y2Ba)传说(gydF4y2BaMSE的gydF4y2Ba,gydF4y2Ba“最小分类错误”gydF4y2Ba)举行gydF4y2Ba从gydF4y2Ba
利用整个数据集训练由线性分类模型组成的ECOC模型,并指定最小正则化强度。gydF4y2Ba
t = templatelinear(gydF4y2Ba“学习者”gydF4y2Ba,gydF4y2Ba“物流”gydF4y2Ba,gydF4y2Ba“规划求解”gydF4y2Ba,gydF4y2Ba“sparsa”gydF4y2Ba,gydF4y2Ba...gydF4y2Ba“正规化”gydF4y2Ba,gydF4y2Ba“套索”gydF4y2Ba,gydF4y2Ba“λ”gydF4y2BaminLambda,gydF4y2Ba'gradienttolerance'gydF4y2Ba1 e-8);MdlFinal = fitcecoc (X, Y,gydF4y2Ba“学习者”gydF4y2Ba,t,gydF4y2Ba'观察'gydF4y2Ba,gydF4y2Ba“列”gydF4y2Ba);gydF4y2Ba
要估计新观测值的标签,请通过gydF4y2BaMdlFinalgydF4y2Ba
和新的数据gydF4y2Ba预测gydF4y2Ba
.gydF4y2Ba
一个gydF4y2Ba二元损失gydF4y2Ba是类和分类分数的函数,它决定二元学习者如何将观察结果分类到类中。gydF4y2Ba
假设如下:gydF4y2Ba
米gydF4y2BakjgydF4y2Ba是元素(gydF4y2BakgydF4y2Ba,gydF4y2BajgydF4y2Ba)的编码设计矩阵gydF4y2Ba米gydF4y2Ba(即与类对应的代码gydF4y2BakgydF4y2Ba二进制的学习者gydF4y2BajgydF4y2Ba).gydF4y2Ba
年代gydF4y2BajgydF4y2Ba二元学习者的分数是多少gydF4y2BajgydF4y2Ba为了观察。gydF4y2Ba
ggydF4y2Ba是二进制损失功能。gydF4y2Ba
是观测的预测类。gydF4y2Ba
在gydF4y2Ba通过解码gydF4y2Ba(Escalera等。)gydF4y2Ba,对二进制学习者产生最小二进制损失和的类决定了观测的预测类,即,gydF4y2Ba
在gydF4y2Baloss-weighted解码gydF4y2Ba(Escalera等。)gydF4y2Ba,制作二进制学习者的二进制损失的最小平均值的阶级决定了观察的预测类,即gydF4y2Ba
Allwein等人。gydF4y2Ba提出损耗加权译码通过将所有类的损耗值保持在相同的动态范围内来提高分类精度。gydF4y2Ba
该表总结了支持的损耗函数,其中金宝appgydF4y2BaygydF4y2BajgydF4y2Ba是特定二进制学习者的类标签(集合{-1,1,0}),gydF4y2Ba年代gydF4y2BajgydF4y2Ba分数是否供观察gydF4y2BajgydF4y2Ba,gydF4y2BaggydF4y2Ba(gydF4y2BaygydF4y2BajgydF4y2Ba,gydF4y2Ba年代gydF4y2BajgydF4y2Ba).gydF4y2Ba
价值gydF4y2Ba | 描述gydF4y2Ba | 分数域gydF4y2Ba | ggydF4y2Ba(gydF4y2BaygydF4y2BajgydF4y2Ba,gydF4y2Ba年代gydF4y2BajgydF4y2Ba)gydF4y2Ba |
---|---|---|---|
“binodeviance”gydF4y2Ba |
二项异常gydF4y2Ba | (-∞∞)gydF4y2Ba | 日志(1 + exp (2gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba日志(2)])]/ [2gydF4y2Ba |
“指数”gydF4y2Ba |
指数gydF4y2Ba | (-∞∞)gydF4y2Ba | exp (-gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba/ 2gydF4y2Ba |
“汉明”gydF4y2Ba |
汉明gydF4y2Ba | [0, 1]或(-∞,∞)gydF4y2Ba | [1 -符号(gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba) / 2gydF4y2Ba |
“枢纽”gydF4y2Ba |
铰链gydF4y2Ba | (-∞∞)gydF4y2Ba | 最大(0,1 -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba/ 2gydF4y2Ba |
“线性”gydF4y2Ba |
线性gydF4y2Ba | (-∞∞)gydF4y2Ba | (1 -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba/ 2gydF4y2Ba |
分对数的gydF4y2Ba |
物流gydF4y2Ba | (-∞∞)gydF4y2Ba | 日志[1 + exp (-gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba日志(2)])]/ [2gydF4y2Ba |
'二次'gydF4y2Ba |
二次gydF4y2Ba | [0, 1]gydF4y2Ba | (1 -gydF4y2BaygydF4y2BajgydF4y2Ba(2gydF4y2Ba年代gydF4y2BajgydF4y2Ba- 1)]gydF4y2Ba2gydF4y2Ba/2gydF4y2Ba |
该软件规范化二进制损耗,使得损失为0.5gydF4y2BaygydF4y2BajgydF4y2Ba= 0,并使用二进制学习者的平均值进行聚合gydF4y2Ba[allwein等]gydF4y2Ba.gydF4y2Ba
不要将二进制丢失与整体分类损失混淆(由此指定)gydF4y2Ba“LossFun”gydF4y2Ba
的名称-值对参数gydF4y2Ba损失gydF4y2Ba
和gydF4y2Ba预测gydF4y2Ba
对象函数),它衡量ECOC分类器作为一个整体的执行情况。gydF4y2Ba
的gydF4y2Ba分类错误gydF4y2Ba二值分类误差测量有形式吗gydF4y2Ba
地点:gydF4y2Ba
wgydF4y2BajgydF4y2Ba重量是用于观察的吗gydF4y2BajgydF4y2Ba.软件将权重重归一。gydF4y2Ba
egydF4y2BajgydF4y2Ba= 1如果预测的观察类gydF4y2BajgydF4y2Ba与真正的类不同,否则为0。gydF4y2Ba
也就是说,分类误差是分类器误分类观测值的比例。gydF4y2Ba
艾尔温,E.夏皮尔,Y.辛格。《将多类减少为二进制:一种统一的保证金分类方法》。gydF4y2Ba机器学习研究杂志gydF4y2Ba.2000年第1卷,113-141页。gydF4y2Ba
[2]埃斯卡拉,S.,O. pujol和P. Radeva。“在三元纠错输出代码中解码过程。”gydF4y2Ba模式分析与机器智能学报gydF4y2Ba.2010年第32卷第7期120-134页。gydF4y2Ba
Pujol, S. Escalera, S. O. Pujol, P. Radeva。用于纠错输出码稀疏设计的三元码的可分性。gydF4y2Ba模式RecogngydF4y2Ba.卷。30,第3,2009,第285-297页。gydF4y2Ba
要并行运行,请指定gydF4y2Ba“选项”gydF4y2Ba
调用此函数时的名称-值参数,并设置gydF4y2Ba“UseParallel”gydF4y2Ba
字段的选项结构gydF4y2Ba真正的gydF4y2Ba
使用gydF4y2Ba实例化gydF4y2Ba
.gydF4y2Ba
例如:gydF4y2Ba'选项',statset('deverpareliall',true)gydF4y2Ba
有关并行计算的更多信息,请参见gydF4y2Ba运行MATLAB函数与自动并行支持金宝appgydF4y2Ba(并行计算工具箱)gydF4y2Ba.gydF4y2Ba
ClassificationPartitionedLinearECOCgydF4y2Ba
|gydF4y2BaClassificationECOCgydF4y2Ba
|gydF4y2BaClassificationLineargydF4y2Ba
|gydF4y2Ba损失gydF4y2Ba
|gydF4y2BakfoldPredictgydF4y2Ba
|gydF4y2BafitcecocgydF4y2Ba
|gydF4y2Ba实例化gydF4y2Ba
你点击一个链接对应于这个MATLAB命令:gydF4y2Ba
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝appgydF4y2Ba
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:gydF4y2Ba.gydF4y2Ba
选择gydF4y2Ba网站gydF4y2Ba你也可以从以下列表中选择一个网站:gydF4y2Ba
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。gydF4y2Ba