金宝app支持向量机(SVM)用于一类和二值分类
ClassificationSVM
是一个金宝app支持向量机(SVM)分类器为一个班和两个班的学习。训练有素的ClassificationSVM
分类器存储训练数据、参数值、先验概率、支持向量和算法实现信息。金宝app使用这些分类器来执行一些任务,例如拟合一个分数到后验概率的转换函数(见fitPosterior
)和预测新数据的标签(见预测
).
创建一个ClassificationSVM
对象的使用fitcsvm
.
紧凑的 |
减少机器学习模型的规模 |
compareHoldout |
使用新数据比较两种分类模型的准确度 |
crossval |
交叉验证机器学习模型 |
discard金宝appSupportVectors |
丢弃线性支持向量金宝app机分类器的支持向量 |
边缘 |
为支持向量机分类器寻找分类边缘金宝app |
fitPosterior |
拟合支持向量机分类器的后验概率金宝app |
incrementalLearner |
将二值分类支持向量机模型转换为增量学习器金宝app |
损失 |
查找支持向量机分类器的分类错误金宝app |
保证金 |
为支持向量机(SVM)分类器寻找分类边界金宝app |
partialDependence |
计算部分依赖 |
plotPartialDependence |
创建部分依赖图(PDP)和个人条件期望图(ICE) |
预测 |
使用支持向量机分类器对观测数据进行分类金宝app |
resubEdge |
Resubstitution分类边缘 |
石灰 |
局部可解释的模型不可知解释(LIME) |
resubLoss |
Resubstitution分类损失 |
再精 |
Resubstitution分类保证金 |
resubPredict |
使用训练的分类器对训练数据进行分类 |
的简历 |
恢复训练支持向量机分类器金宝app |
沙普利 |
沙普利值 |
testckfold |
通过重复交叉验证比较两种分类模型的准确率 |
支持向量机二值分类算法的数学公式见金宝app支持向量机的二进制分类和理解支持向量机金宝app.
南
,<定义>
,空字符向量(''
),空字符串(""
),
值表示缺失的值。fitcsvm
删除与缺失响应相对应的整行数据。计算总权重时(请参阅下一个项目符号),fitcsvm
忽略与至少缺少一个预测因子的观测相对应的任何权重。在平衡类问题中,这种行为会导致不平衡的先验概率。因此,观察框约束可能不相等箱约束
.
fitcsvm
删除权重为零或先验概率为零的观察值。
对于两类学习,如果你指定代价矩阵
(见成本
),然后软件更新类先验概率p(见之前
)pc通过将处罚纳入
.
明确地fitcsvm
完成这些步骤:
计算
正常化pc*更新后的先验概率和是1。
K为类数。
将成本矩阵重置为默认值
从零先验概率类对应的训练数据中去除观测值。
对两种学习,fitcsvm
规范化所有观察权重(请参见权重
)求和为1。然后,该函数对归一化权重进行重归一化,使其总和为观测所属类的更新先验概率。即观察的总权重j在课堂上k是
wj是标准化的观测权值吗j;pc,k更新的类先验概率是多少k(见以前的子弹)。
对两种学习,fitcsvm
为训练数据中的每个观测值指定一个方框约束。观察框约束的公式j是
n为训练样本量,C0初始框约束(参见“BoxConstraint”
名称-值对参数)和
观察的总权重是多少j(见以前的子弹)。
如果你设置“标准化”,真的
和“成本”
,“先前的”
,或“重量”
名称-值对参数fitcsvm
使用相应的加权平均值和加权标准差对预测进行标准化。也就是说,fitcsvm
标准化预测j(xj)使用
xjk是观察k(行)的预测j(列)。
假设p
是你在训练数据中期望的和你设置的异常值的比例吗OutlierFraction, p
.
对于单班学习,软件训练的偏差项为100p
%的观察在训练数据中有负的分数。
该软件实现了稳健学习两级学习。换句话说,该软件试图删除100个p
%的观测值时,优化算法收敛。被移走的观测值对应的是幅度很大的梯度。
如果你的预测数据包含分类变量,那么软件通常对这些变量使用完全哑编码。该软件为每个类别变量的每一级创建一个虚拟变量。
的预测器名称
属性为每个原始预测器变量名存储一个元素。例如,假设有三个预测因子,其中一个是具有三个层次的分类变量。然后预测器名称
是包含预测变量原始名称的字符向量的1 × 3单元格数组。
的扩展预测器名称
属性存储每个预测变量的一个元素,包括虚拟变量。例如,假设有三个预测因子,其中一个是具有三个层次的分类变量。然后扩展预测器名称
是一个包含预测变量和新的虚拟变量名称的字符向量的1 × 5单元格数组。
类似地,β
属性存储每个预测器(包括虚拟变量)的一个beta系数。
的金宝appSupportVectors
属性存储支持向量的预测值,包括虚拟变量。金宝app例如,假设有米金宝app支持向量和三个预测因子,其中一个是三级分类变量金宝appSupportVectors
是一个n5矩阵。
的X
属性将训练数据存储为原始输入,不包含虚拟变量。当输入是一个表时,X
只包含用作预测器的列。
对于表中指定的预测器,如果任何变量包含有序(有序)类别,该软件对这些变量使用有序编码。
的变量k软件创建了有序的关卡k- 1虚拟变量。的j第一个哑变量为1对于级别高达j,+1的水平j+ 1通过k.
中的虚拟变量的名称扩展预测器名称
属性指示具有该值的第一级+1这个年代的tware storesk- 1虚拟变量的附加预测器名称,包括级别2、3、…k.
所有连接器实现l1 soft-margin最小化。
对于单类学习,软件估计拉格朗日乘数,α1,...,αn,这样
Hastie, T., R. Tibshirani, J. Friedman。统计学习的要素,第二版。纽约:施普林格,2008年。
Scholkopf, B., J. C. Platt, J. C. shaw - taylor, A. J. Smola, R. C. Williamson。"估算高维分布的支持度"金宝app神经第一版., Vol. 13, no . 7, 2001, pp. 1443-1471。
克里斯汀尼尼,N。c。肖-泰勒。支持向量机和其他基于核的学习方法简介金宝app.英国剑桥:剑桥大学出版社,2000年。
[4] Scholkopf, B.和A. Smola。核学习:支持向量机,正则化,优化和超越,自适应金宝app计算和机器学习。麻省理工学院出版社,2002年。