kfoldPredictgydF4y2Ba

分类观察旨在ECOC模型gydF4y2Ba

所有的页面崩溃gydF4y2Ba

语法gydF4y2Ba

标签= kfoldPredict (CVMdl)gydF4y2Ba

标签= kfoldPredict (CVMdl、名称、值)gydF4y2Ba

(标签、NegLoss PBScore) = kfoldPredict (gydF4y2Ba___gydF4y2Ba)gydF4y2Ba

[标签、NegLoss PBScore,后]= kfoldPredict (gydF4y2Ba___gydF4y2Ba)gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

标签gydF4y2Ba= kfoldPredict (gydF4y2BaCVMdlgydF4y2Ba)gydF4y2Ba返回类标签的预测旨在ECOC模型(gydF4y2BaClassificationPartitionedECOCgydF4y2Ba)gydF4y2BaCVMdlgydF4y2Ba。对于每一个褶皱,gydF4y2BakfoldPredictgydF4y2Ba预测类标签的观察,它伸出在训练。gydF4y2BaCVMdl.XgydF4y2Ba包含两组观察。gydF4y2Ba

软件预测的分类观察到指定类的观察产生最大的否定平均二进制损失(或等价,最小的平均二进制损失)。gydF4y2Ba

例子gydF4y2Ba

标签gydF4y2Ba= kfoldPredict (gydF4y2BaCVMdlgydF4y2Ba,gydF4y2Ba名称,值gydF4y2Ba)gydF4y2Ba回报预测类标签附加选项指定一个或多个参数名称-值对。例如,指定后验概率估计方法,解码方案,或冗长的水平。gydF4y2Ba

例子gydF4y2Ba

(gydF4y2Ba标签gydF4y2Ba,gydF4y2BaNegLossgydF4y2Ba,gydF4y2BaPBScoregydF4y2Ba)= kfoldPredict (gydF4y2Ba___gydF4y2Ba)gydF4y2Ba另外返回否定值的平均损失二进制类(gydF4y2BaNegLossgydF4y2Ba)validation-fold观察和positive-class评分(gydF4y2BaPBScoregydF4y2Ba)validation-fold观察每个二进制分类的学习者,使用任何输入参数组合在前面的语法。gydF4y2Ba

如果编码矩阵变化在折叠(即编码方案gydF4y2BasparserandomgydF4y2Ba或gydF4y2BadenserandomgydF4y2Ba),然后gydF4y2BaPBScoregydF4y2Ba是空的(gydF4y2Ba[]gydF4y2Ba)。gydF4y2Ba

例子gydF4y2Ba

(gydF4y2Ba标签gydF4y2Ba,gydF4y2BaNegLossgydF4y2Ba,gydF4y2BaPBScoregydF4y2Ba,gydF4y2Ba后gydF4y2Ba)= kfoldPredict (gydF4y2Ba___gydF4y2Ba)gydF4y2Ba此外返回后类validation-fold观测概率估计(gydF4y2Ba后gydF4y2Ba)。gydF4y2Ba

获得后验概率类,您必须设置gydF4y2Ba“FitPosterior”, 1gydF4y2Ba当训练旨在ECOC模型使用gydF4y2BafitcecocgydF4y2Ba。否则,gydF4y2BakfoldPredictgydF4y2Ba抛出一个错误。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

预测gydF4y2BakgydF4y2Ba倍交叉验证标签gydF4y2Ba

打开生活的脚本gydF4y2Ba

加载费雪的虹膜数据集。指定预测数据gydF4y2BaXgydF4y2Ba响应数据gydF4y2BaYgydF4y2Ba和类的顺序gydF4y2BaYgydF4y2Ba。gydF4y2Ba

负载gydF4y2BafisheririsgydF4y2BaX =量;Y =分类(物种);classOrder =独特(Y);rng (1);gydF4y2Ba%的再现性gydF4y2Ba

火车和旨在ECOC模型使用支持向量机(SVM)二元分类器。金宝app规范使用一个支持向量机预测数据模板,并指定类订单。gydF4y2Ba

t = templateSVM (gydF4y2Ba“标准化”gydF4y2Ba1);CVMdl = fitcecoc (X, Y,gydF4y2Ba“CrossVal”gydF4y2Ba,gydF4y2Ba“上”gydF4y2Ba,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“类名”gydF4y2Ba,classOrder);gydF4y2Ba

CVMdlgydF4y2Ba是一个gydF4y2BaClassificationPartitionedECOCgydF4y2Ba模型。默认情况下,软件实现了10倍交叉验证。您可以指定一个不同的折叠使用数量gydF4y2Ba“KFold”gydF4y2Ba名称-值对的论点。gydF4y2Ba

预测validation-fold标签。真正的和预测的标签打印一个随机子集。gydF4y2Ba

标签= kfoldPredict (CVMdl);idx = randsample(元素个数(标签),10);表(Y (idx)、标签(idx),gydF4y2Ba…gydF4y2Ba“VariableNames”gydF4y2Ba,{gydF4y2Ba“TrueLabels”gydF4y2Ba,gydF4y2Ba“PredictedLabels”gydF4y2Ba})gydF4y2Ba

ans =gydF4y2Ba10×2表gydF4y2BaTrueLabels PredictedLabels __________售予setosa setosa杂色的杂色的setosa setosa virginica virginica杂色的杂色的setosa setosa virginica virginica virginica virginica setosa setosa setosa setosagydF4y2Ba

CVMdlgydF4y2Ba正确的标签validation-fold观察指标gydF4y2BaidxgydF4y2Ba。gydF4y2Ba

预测交叉验证标签使用自定义二进制损失函数gydF4y2Ba

打开生活的脚本gydF4y2Ba

加载费雪的虹膜数据集。指定预测数据gydF4y2BaXgydF4y2Ba响应数据gydF4y2BaYgydF4y2Ba和类的顺序gydF4y2BaYgydF4y2Ba。gydF4y2Ba

负载gydF4y2BafisheririsgydF4y2BaX =量;Y =分类(物种);classOrder =独特(Y);gydF4y2Ba%课堂秩序gydF4y2BaK =元素个数(classOrder);gydF4y2Ba%的类gydF4y2Barng (1);gydF4y2Ba%的再现性gydF4y2Ba

使用支持向量机训练,旨在ECOC模型二元分类器。规范使用一个支持向量机预测数据模板,并指定类订单。gydF4y2Ba

t = templateSVM (gydF4y2Ba“标准化”gydF4y2Ba1);CVMdl = fitcecoc (X, Y,gydF4y2Ba“CrossVal”gydF4y2Ba,gydF4y2Ba“上”gydF4y2Ba,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“类名”gydF4y2Ba,classOrder);gydF4y2Ba

SVM分数签署了边界距离观测到的决定。因此,域gydF4y2Ba $(gydF4y2Ba - - - - - -gydF4y2Ba \inftygydF4y2Ba,gydF4y2Ba \inftygydF4y2Ba)gydF4y2Ba$ 。创建一个自定义二进制损失函数:gydF4y2Ba

地图的编码设计矩阵(gydF4y2Ba米gydF4y2Ba)和positive-class分类评分(gydF4y2Ba年代gydF4y2Ba)为每一个学习者为每个观察二进制损失gydF4y2Ba
使用线性损失gydF4y2Ba
骨料的二进制学习者使用中值损失gydF4y2Ba

您可以创建一个单独的二进制损失函数的函数,然后保存在MATLAB®路径。此外,您可以指定一个匿名二进制损失函数。在这种情况下,创建一个函数处理(gydF4y2BacustomBLgydF4y2Ba)一个匿名二进制损失函数。gydF4y2Ba

customBL = @ (M s)值(1 - (M . * s) 2gydF4y2Ba“omitnan”gydF4y2Ba)/ 2;gydF4y2Ba

预测交叉验证标签和估计每个类中位数二进制损失。打印的平均损失负二进制/类随机的一组10 validation-fold观察。gydF4y2Ba

[标签,NegLoss] = kfoldPredict (CVMdlgydF4y2Ba“BinaryLoss”gydF4y2Ba,customBL);idx = randsample(元素个数(标签),10);classOrdergydF4y2Ba

classOrder =gydF4y2Ba3 x1分类gydF4y2Basetosa杂色的virginicagydF4y2Ba

表(Y (idx)、标签(idx) NegLoss (idx:)gydF4y2Ba“VariableNames”gydF4y2Ba,gydF4y2Ba…gydF4y2Ba{gydF4y2Ba“TrueLabel”gydF4y2Ba,gydF4y2Ba“PredictedLabel”gydF4y2Ba,gydF4y2Ba“NegLoss”gydF4y2Ba})gydF4y2Ba

ans =gydF4y2Ba10×3表gydF4y2Ba_________________________________ TrueLabel PredictedLabel NegLoss __________ * * * setosa杂色的0.37139 2.1298 -4.0012杂色的杂色的-1.2169 0.3669 -0.65001 setosa杂色的0.23932 2.0794 -3.8187 virginica virginica -1.9151 -0.19958 0.61472杂色的杂色的-1.3746 0.45537 -0.58078 setosa杂色的0.20061 2.2774 -3.978 virginica杂色的-1.4926 0.090735 -0.098156 virginica virginica -1.7666 -0.13461 0.4012 setosa杂色的setosa癣0.16087 1.9681 -3.629 0.19994 1.9111 -3.611gydF4y2Ba

列的顺序对应的元素gydF4y2BaclassOrdergydF4y2Ba。软件预测基于最大否定损失的标签。结果表明,中值的线性损失可能不会执行以及其他损失。gydF4y2Ba

交叉验证估计后验概率gydF4y2Ba

打开生活的脚本gydF4y2Ba

加载费雪的虹膜数据集。使用花瓣维度作为预测数据gydF4y2BaXgydF4y2Ba。指定响应数据gydF4y2BaYgydF4y2Ba和类的顺序gydF4y2BaYgydF4y2Ba。gydF4y2Ba

负载gydF4y2BafisheririsgydF4y2BaX =量(:,3:4);Y =分类(物种);classOrder =独特(Y);rng (1);gydF4y2Ba%的再现性gydF4y2Ba

创建一个支持向量机模板。规范预测,并指定高斯内核。gydF4y2Ba

t = templateSVM (gydF4y2Ba“标准化”gydF4y2Ba,1gydF4y2Ba“KernelFunction”gydF4y2Ba,gydF4y2Ba“高斯”gydF4y2Ba);gydF4y2Ba

tgydF4y2Ba是一个支持向量机模板。它的大部分属性都是空的。培训ECOC分类器时,软件将适用的属性设置为默认值。gydF4y2Ba

训练,旨在ECOC使用支持向量机分类器的模板。变换分类分数返回的类的后验概率(gydF4y2BakfoldPredictgydF4y2Ba)使用gydF4y2Ba“FitPosterior”gydF4y2Ba名称-值对的论点。指定类的秩序。gydF4y2Ba

CVMdl = fitcecoc (X, Y,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“CrossVal”gydF4y2Ba,gydF4y2Ba“上”gydF4y2Ba,gydF4y2Ba“FitPosterior”gydF4y2Ba,真的,gydF4y2Ba…gydF4y2Ba“类名”gydF4y2Ba,classOrder);gydF4y2Ba

CVMdlgydF4y2Ba是一个gydF4y2BaClassificationPartitionedECOCgydF4y2Ba模型。默认情况下,软件使用10倍交叉验证。gydF4y2Ba

预测validation-fold类的后验概率。使用10个随机Kullback-Leibler算法的初始值。gydF4y2Ba

[标签,~,~,后]= kfoldPredict (CVMdl,gydF4y2Ba“NumKLInitializations”gydF4y2Ba10);gydF4y2Ba

软件分配到类的观察意见,这使得收益率最小的二进制平均损失。因为所有的二进制学习者计算后验概率,二进制损失函数gydF4y2Ba二次gydF4y2Ba。gydF4y2Ba

显示一组随机的结果。gydF4y2Ba

idx = randsample(大小(X, 1), 10);CVMdl.ClassNamesgydF4y2Ba

ans =gydF4y2Ba3 x1分类gydF4y2Basetosa杂色的virginicagydF4y2Ba

表(Y (idx)、标签(idx)、后(idx:)gydF4y2Ba…gydF4y2Ba“VariableNames”gydF4y2Ba,{gydF4y2Ba“TrueLabel”gydF4y2Ba,gydF4y2Ba“PredLabel”gydF4y2Ba,gydF4y2Ba“后”gydF4y2Ba})gydF4y2Ba

ans =gydF4y2Ba10×3表gydF4y2BaTrueLabel PredLabel后__________ __________ ______________________________________杂色的杂色的0.0086404 0.98243 0.0089302杂色的virginica 2.2197 e-14 0.12448 - 0.87552 setosa setosa 0.999 0.00022837 0.00076884杂色的杂色的2.2194 e-14 0.98916 - 0.010845 virginica virginica 0.01232 0.012926 0.97475 virginica virginica 0.0015569 0.0015636 0.99688 virginica virginica 0.0042886 0.0043547 0.99136 setosa setosa 0.999 0.00028329 0.00071382 virginica virginica 0.0094727 0.0098238 0.9807 setosa setosa 0.999 0.00013558 0.00086196gydF4y2Ba

的列gydF4y2Ba后gydF4y2Ba对应类的顺序gydF4y2BaCVMdl.ClassNamesgydF4y2Ba。gydF4y2Ba

估计交叉验证使用并行计算后验概率gydF4y2Ba

这个示例使用:gydF4y2Ba

打开生活的脚本gydF4y2Ba

火车一个多级ECOC使用并行计算模型和估计后验概率。gydF4y2Ba

加载gydF4y2Ba心律失常gydF4y2Ba数据集。检查响应数据gydF4y2BaYgydF4y2Ba。gydF4y2Ba

负载gydF4y2Ba心律失常gydF4y2BaY =分类(Y);汇总(Y)gydF4y2Ba

值计算百分比1 245 2 54.20% 44 9.73% 3 15 3.32% 4 15 3.32% 5 13 2.88% 6 25 5.53% 7 3 9 9 8 2 0.44% 0.66% 1.99% 10 50 11.06% 14 4 0.88% 15 5 1.11% 16 4.87%gydF4y2Ba

n =元素个数(Y);K =元素个数(独特(Y));gydF4y2Ba

几类不代表数据,和许多其他的课程相对较低的频率。gydF4y2Ba

指定一个整体学习模板使用GentleBoost 50弱分类树方法和学习者。gydF4y2Ba

t = templateEnsemble (gydF4y2Ba“GentleBoost”gydF4y2Ba,50岁,gydF4y2Ba“树”gydF4y2Ba);gydF4y2Ba

tgydF4y2Ba是一个模板对象。大多数的选项是空的(gydF4y2Ba[]gydF4y2Ba)。软件使用培训期间所有空选项的默认值。gydF4y2Ba

因为响应变量包含很多类,指定一个稀疏随机编码设计。gydF4y2Ba

rng (1);gydF4y2Ba%的再现性gydF4y2Ba编码= designecoc (K,gydF4y2Ba“sparserandom”gydF4y2Ba);gydF4y2Ba

火车和旨在ECOC模型使用并行计算。合适的后验概率(返回的gydF4y2BakfoldPredictgydF4y2Ba)。gydF4y2Ba

池= parpool;gydF4y2Ba%调用工人gydF4y2Ba

开始平行池(parpool)使用“本地”概要文件…连接到6工人。gydF4y2Ba

选择= statset (gydF4y2Ba“UseParallel”gydF4y2Ba1);CVMdl = fitcecoc (X, Y,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“选项”gydF4y2Ba选项,gydF4y2Ba“编码”gydF4y2Ba、编码、gydF4y2Ba…gydF4y2Ba“FitPosterior”gydF4y2Ba,1gydF4y2Ba“CrossVal”gydF4y2Ba,gydF4y2Ba“上”gydF4y2Ba);gydF4y2Ba

警告:一个或多个折叠不含点的组。gydF4y2Ba

池中调用六个工人,虽然系统中工人的数量可能有所不同。因为有些课程相对频率较低,一个或多个折叠最有可能不包含来自各个阶层的观察。gydF4y2Ba

的后验概率估计后验概率,并显示被归类为没有心律失常(第1类)给定一组随机的validation-fold观测的数据。gydF4y2Ba

[~,~,~,后]= kfoldPredict (CVMdl,gydF4y2Ba“选项”gydF4y2Ba、选择);idx = randsample (n, 10);表(idx Y (idx)、后(idx, 1),gydF4y2Ba…gydF4y2Ba“VariableNames”gydF4y2Ba,{gydF4y2Ba“OOFSampleIndex”gydF4y2Ba,gydF4y2Ba“TrueLabel”gydF4y2Ba,gydF4y2Ba“PosteriorNoArrhythmia”gydF4y2Ba})gydF4y2Ba

ans =gydF4y2Ba10×3表gydF4y2Ba_____ _____________________ OOFSampleIndex TrueLabel PosteriorNoArrhythmia * * * 171 221 72 0.85135 0.33654 0.9174 - 3 202 243 0.8438 0.025649 0.9435 18 1 0.81198 49 6 0.090154 234 0.61625 315 0.97187gydF4y2Ba

输入参数gydF4y2Ba

全部折叠gydF4y2Ba

`CVMdlgydF4y2Ba`- - - - - -gydF4y2Ba旨在ECOC模型gydF4y2Ba
`ClassificationPartitionedECOCgydF4y2Ba`模型gydF4y2Ba

旨在ECOC模型,指定为一个gydF4y2BaClassificationPartitionedECOCgydF4y2Ba模型。您可以创建一个gydF4y2BaClassificationPartitionedECOCgydF4y2Ba模型在两个方面:gydF4y2Ba

通过训练ECOC模型(gydF4y2BaClassificationECOCgydF4y2Ba)gydF4y2BacrossvalgydF4y2Ba。gydF4y2Ba
火车ECOC模型使用gydF4y2BafitcecocgydF4y2Ba并指定任何一个交叉验证名称-值对参数:gydF4y2Ba“CrossVal”gydF4y2Ba,gydF4y2Ba“CVPartition”gydF4y2Ba,gydF4y2Ba“坚持”gydF4y2Ba,gydF4y2Ba“KFold”gydF4y2Ba,或gydF4y2Ba“Leaveout”gydF4y2Ba。gydF4y2Ba

名称-值参数gydF4y2Ba

指定可选的双参数作为gydF4y2BaName1 = Value1,…,以=家gydF4y2Ba,在那里gydF4y2Ba的名字gydF4y2Ba参数名称和吗gydF4y2Ba价值gydF4y2Ba相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。gydF4y2Ba

R2021a之前,用逗号来分隔每一个名称和值,并附上gydF4y2Ba的名字gydF4y2Ba在报价。gydF4y2Ba

例子:gydF4y2BakfoldPredict (CVMdl PosteriorMethod, qp)gydF4y2Ba指定估计多级后验概率,利用二次规划求解最小二乘问题。gydF4y2Ba

`BinaryLossgydF4y2Ba`- - - - - -gydF4y2Ba二进制学习者损失函数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

二进制学习者损失函数,指定为逗号分隔组成的gydF4y2Ba“BinaryLoss”gydF4y2Ba和一个内置的损失函数名或函数句柄。gydF4y2Ba

此表描述了内置函数,gydF4y2BaygydF4y2Ba_jgydF4y2Ba是为特定的二进制类标签的学习者(集合{1 1 0}),gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba观察分数吗gydF4y2BajgydF4y2Ba,gydF4y2BaggydF4y2Ba(gydF4y2BaygydF4y2Ba_jgydF4y2Ba,gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba)是二进制损失公式。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba	分数域gydF4y2Ba	ggydF4y2Ba(gydF4y2BaygydF4y2Ba_jgydF4y2Ba,gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba)gydF4y2Ba
`“binodeviance”gydF4y2Ba`	二项异常gydF4y2Ba	(-∞∞)gydF4y2Ba	日志(1 + exp (2gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba日志(2)])]/ [2gydF4y2Ba
`“指数”gydF4y2Ba`	指数gydF4y2Ba	(-∞∞)gydF4y2Ba	exp (-gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba)/ 2gydF4y2Ba
`“汉明”gydF4y2Ba`	汉明gydF4y2Ba	[0,1]或(-∞,∞)gydF4y2Ba	[1 -符号(gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba)/ 2gydF4y2Ba
`“枢纽”gydF4y2Ba`	铰链gydF4y2Ba	(-∞∞)gydF4y2Ba	马克斯(0,1 -gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba)/ 2gydF4y2Ba
`“线性”gydF4y2Ba`	线性gydF4y2Ba	(-∞∞)gydF4y2Ba	(1 -gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba)/ 2gydF4y2Ba
`分对数的gydF4y2Ba`	物流gydF4y2Ba	(-∞∞)gydF4y2Ba	日志[1 + exp (-gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba日志(2)])]/ [2gydF4y2Ba
`“二次”gydF4y2Ba`	二次gydF4y2Ba	[0,1]gydF4y2Ba	(1 -gydF4y2BaygydF4y2Ba_jgydF4y2Ba(2gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba- 1))gydF4y2Ba^2gydF4y2Ba/ 2gydF4y2Ba

软件可实现二进制损失,损失是0.5时gydF4y2BaygydF4y2Ba_jgydF4y2Ba= 0。此外,软件计算意味着对每个类的二进制损失gydF4y2Ba[1]gydF4y2Ba。gydF4y2Ba

例如,为一个自定义的二进制损失函数gydF4y2BacustomFunctiongydF4y2Ba,为其指定一个函数处理gydF4y2BaBinaryLoss, @customFunctiongydF4y2Ba。gydF4y2Ba
customFunctiongydF4y2Ba这种形式:gydF4y2Ba
```
布劳斯= customFunction (M s)gydF4y2Ba
```
- 米gydF4y2Ba是gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BaBgydF4y2Ba编码矩阵存储在gydF4y2BaMdl.CodingMatrixgydF4y2Ba。gydF4y2Ba
- 年代gydF4y2Ba是1 -gydF4y2BaBgydF4y2Ba行向量分类的分数。gydF4y2Ba
- 布劳斯gydF4y2Ba是损失的分类。这个标量骨料二进制损失为每一个学习者在一个特定的类。例如,您可以使用意味着二进制损失总损失超过学习者对于每个类。gydF4y2Ba
- KgydF4y2Ba类的数量。gydF4y2Ba
- BgydF4y2Ba是二进制学习者的数量。gydF4y2Ba
为通过一个自定义的二进制损失函数的一个例子,看看gydF4y2Ba预测ECOC模型的测试样本标签使用自定义二进制损失函数gydF4y2Ba。gydF4y2Ba

这个表标识默认gydF4y2BaBinaryLossgydF4y2Ba值,这取决于分数返回的二进制学习者。gydF4y2Ba

假设gydF4y2Ba	默认值gydF4y2Ba
所有二进制学习者都有下列:gydF4y2Ba 决策树分类gydF4y2Ba 判别分析模型gydF4y2Ba kgydF4y2Ba最近的邻居模型gydF4y2Ba 朴素贝叶斯模型gydF4y2Ba	`“二次”gydF4y2Ba`
所有二进制学习者都支持向量机。gydF4y2Ba	`“枢纽”gydF4y2Ba`
所有二进制学习者乐团训练gydF4y2Ba`AdaboostM1gydF4y2Ba`或gydF4y2Ba`GentleBoostgydF4y2Ba`。gydF4y2Ba	`“指数”gydF4y2Ba`
所有二进制学习者乐团训练gydF4y2Ba`LogitBoostgydF4y2Ba`。gydF4y2Ba	`“binodeviance”gydF4y2Ba`
您指定预测类的后验概率通过设置gydF4y2Ba`“FitPosterior”,真的gydF4y2Ba`在gydF4y2Ba`fitcecocgydF4y2Ba`。gydF4y2Ba	`“二次”gydF4y2Ba`
二进制学习者异构和使用不同的损失函数。gydF4y2Ba	`“汉明”gydF4y2Ba`

检查默认值,使用点符号显示gydF4y2BaBinaryLossgydF4y2Ba在命令行属性的训练模型。gydF4y2Ba

例子:gydF4y2Ba“BinaryLoss”、“binodeviance”gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba|gydF4y2Ba字符串gydF4y2Ba|gydF4y2Bafunction_handlegydF4y2Ba

`解码gydF4y2Ba`- - - - - -gydF4y2Ba解码方案gydF4y2Ba
`“lossweighted”gydF4y2Ba`(默认)|gydF4y2Ba`“lossbased”gydF4y2Ba`

解码方案,骨料二进制损失,指定为逗号分隔组成的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

`NumKLInitializationsgydF4y2Ba`- - - - - -gydF4y2Ba数量的随机初始值gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba非负整数标量gydF4y2Ba

数量的随机初始值拟合后验概率Kullback-Leibler分歧最小化,指定为逗号分隔组成的gydF4y2Ba“NumKLInitializations”gydF4y2Ba和一个非负整数标量。gydF4y2Ba

如果你不要求第四输出参数(gydF4y2Ba后gydF4y2Ba)和组gydF4y2Ba“PosteriorMethod”、“kl的gydF4y2Ba(默认),则软件忽略的价值gydF4y2BaNumKLInitializationsgydF4y2Ba。gydF4y2Ba

更多细节,请参阅gydF4y2Ba后估计使用Kullback-Leibler散度gydF4y2Ba。gydF4y2Ba

例子:gydF4y2Ba“NumKLInitializations”, 5gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`选项gydF4y2Ba`- - - - - -gydF4y2Ba估计选项gydF4y2Ba
`[]gydF4y2Ba`(默认)|gydF4y2Ba结构数组返回gydF4y2Ba`statsetgydF4y2Ba`

估计选项,指定为逗号分隔组成的gydF4y2Ba“选项”gydF4y2Ba和一个结构数组返回gydF4y2BastatsetgydF4y2Ba。gydF4y2Ba

调用并行计算:gydF4y2Ba

你需要一个并行计算工具箱™许可证。gydF4y2Ba
指定gydF4y2Ba“选项”,statset (UseParallel,真的)gydF4y2Ba。gydF4y2Ba

`PosteriorMethodgydF4y2Ba`- - - - - -gydF4y2Ba后验概率估计方法gydF4y2Ba
`“吉隆坡”gydF4y2Ba`(默认)|gydF4y2Ba`“qp”gydF4y2Ba`

后验概率估计方法,指定为逗号分隔组成的gydF4y2Ba“PosteriorMethod”gydF4y2Ba和gydF4y2Ba“吉隆坡”gydF4y2Ba或gydF4y2Ba“qp”gydF4y2Ba。gydF4y2Ba

如果gydF4y2BaPosteriorMethodgydF4y2Ba是gydF4y2Ba“吉隆坡”gydF4y2Ba多级,那么软件估计后验概率通过最小化之间的Kullback-Leibler散度预测,预计返回的后验概率二进制学习者。有关详细信息,请参见gydF4y2Ba后估计使用Kullback-Leibler散度gydF4y2Ba。gydF4y2Ba
如果gydF4y2BaPosteriorMethodgydF4y2Ba是gydF4y2Ba“qp”gydF4y2Ba多级,那么软件估计后验概率,利用二次规划求解最小二乘问题。您需要一个优化工具箱™许可使用该选项。有关详细信息,请参见gydF4y2Ba使用二次规划后评估gydF4y2Ba。gydF4y2Ba
如果你不要求第四输出参数(gydF4y2Ba后gydF4y2Ba),然后软件忽略的价值gydF4y2BaPosteriorMethodgydF4y2Ba。gydF4y2Ba

例子:gydF4y2Ba“PosteriorMethod”、“qp”gydF4y2Ba

`详细的gydF4y2Ba`- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba`1gydF4y2Ba`

冗长的层面上,指定为逗号分隔组成的gydF4y2Ba“详细”gydF4y2Ba和gydF4y2Ba0gydF4y2Ba或gydF4y2Ba1gydF4y2Ba。gydF4y2Ba详细的gydF4y2Ba控制软件的诊断消息数量显示在命令窗口。gydF4y2Ba

如果gydF4y2Ba详细的gydF4y2Ba是gydF4y2Ba0gydF4y2Ba,那么软件不显示诊断消息。否则,软件显示诊断消息。gydF4y2Ba

例子:gydF4y2Ba“详细”,1gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

输出参数gydF4y2Ba

全部折叠gydF4y2Ba

`标签gydF4y2Ba`——预测类标签gydF4y2Ba
分类数组逻辑向量|数字向量| | |字符数组单元阵列的特征向量gydF4y2Ba

预测类标签,作为分类或字符数组,返回逻辑或者数值向量、数组或单元的特征向量。gydF4y2Ba

标签gydF4y2Ba有相同的数据类型和数量的行吗gydF4y2BaCVMdl.YgydF4y2Ba。gydF4y2Ba

软件预测的分类观察到指定类的观察产生最大的否定平均二进制损失(或等价,最小的平均二进制损失)。gydF4y2Ba

`NegLossgydF4y2Ba`——否定平均二进制损失gydF4y2Ba
数字矩阵gydF4y2Ba

否定平均二进制损失,作为一个数字矩阵返回。gydF4y2BaNegLossgydF4y2Ba是一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BaKgydF4y2Ba矩阵,gydF4y2BangydF4y2Ba是观测的数量(gydF4y2Ba尺寸(CVMdl.X, 1)gydF4y2Ba),gydF4y2BaKgydF4y2Ba是独特的类(gydF4y2Ba尺寸(CVMdl.ClassNames, 1)gydF4y2Ba)。gydF4y2Ba

NegLoss (i (k)gydF4y2Ba是否定平均二进制损失分类观察吗gydF4y2Ba我gydF4y2Ba到gydF4y2BakgydF4y2Ba类。gydF4y2Ba

如果gydF4y2Ba解码gydF4y2Ba是gydF4y2Ba“lossbased”gydF4y2Ba,然后gydF4y2BaNegLoss (i (k)gydF4y2Ba的否定和二进制的二进制损失除以总数量的学习者。gydF4y2Ba
如果gydF4y2Ba解码gydF4y2Ba是gydF4y2Ba“lossweighted”gydF4y2Ba,然后gydF4y2BaNegLoss (i (k)gydF4y2Ba是二进制的否定和损失的数量除以二进制的学习者gydF4y2BakgydF4y2Ba类。gydF4y2Ba

更多细节,请参阅gydF4y2Ba二元损失gydF4y2Ba。gydF4y2Ba

`PBScoregydF4y2Ba`——Positive-class分数gydF4y2Ba
数字矩阵gydF4y2Ba

Positive-class分数为每个二进制学习者,作为一个数字矩阵返回。gydF4y2BaPBScoregydF4y2Ba是一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BaBgydF4y2Ba矩阵,gydF4y2BangydF4y2Ba是观测的数量(gydF4y2Ba尺寸(CVMdl.X, 1)gydF4y2Ba),gydF4y2BaBgydF4y2Ba是二进制学习者的数量(gydF4y2Ba大小(CVMdl.CodingMatrix, 2)gydF4y2Ba)。gydF4y2Ba

如果编码矩阵变化在折叠(即编码方案gydF4y2BasparserandomgydF4y2Ba或gydF4y2BadenserandomgydF4y2Ba),然后gydF4y2BaPBScoregydF4y2Ba是空的(gydF4y2Ba[]gydF4y2Ba)。gydF4y2Ba

`后gydF4y2Ba`——后类概率gydF4y2Ba
数字矩阵gydF4y2Ba

类概率后,返回一个数字矩阵。gydF4y2Ba后gydF4y2Ba是一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BaKgydF4y2Ba矩阵,gydF4y2BangydF4y2Ba是观测的数量(gydF4y2Ba尺寸(CVMdl.X, 1)gydF4y2Ba),gydF4y2BaKgydF4y2Ba是独特的类(gydF4y2Ba尺寸(CVMdl.ClassNames, 1)gydF4y2Ba)。gydF4y2Ba

必须设置gydF4y2Ba“FitPosterior”, 1gydF4y2Ba当训练旨在ECOC模型使用gydF4y2BafitcecocgydF4y2Ba为了请求gydF4y2Ba后gydF4y2Ba。否则,该软件将抛出一个错误。gydF4y2Ba

算法gydF4y2Ba

全部折叠gydF4y2Ba

软件可以通过最小化估计类的后验概率Kullback-Leibler散度或使用二次规划。以下的描述后验估计算法,假设:gydF4y2Ba

米gydF4y2Ba_kjgydF4y2Ba是元素(gydF4y2BakgydF4y2Ba,gydF4y2BajgydF4y2Ba)的编码设计矩阵gydF4y2Ba米gydF4y2Ba。gydF4y2Ba
我gydF4y2Ba指标函数。gydF4y2Ba
${\overset{^gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}$ 类的后验概率估计类吗gydF4y2BakgydF4y2Ba的观察,gydF4y2BakgydF4y2Ba= 1,…,gydF4y2BaKgydF4y2Ba。gydF4y2Ba
rgydF4y2Ba_jgydF4y2Ba是positive-class后验概率为二进制学习者gydF4y2BajgydF4y2Ba。也就是说,gydF4y2BargydF4y2Ba_jgydF4y2Ba的概率是二进制的学习者gydF4y2BajgydF4y2Ba将一个观察分为积极的类,给定的训练数据。gydF4y2Ba

后估计使用Kullback-Leibler散度gydF4y2Ba

默认情况下,软件最小化Kullback-Leibler散度估计类的后验概率。Kullback-Leibler预期之间的分歧和观察positive-class后验概率gydF4y2Ba

$ΔgydF4y2Ba (gydF4y2Ba rgydF4y2Ba,gydF4y2Ba \overset{^gydF4y2Ba}{rgydF4y2Ba})gydF4y2Ba =gydF4y2Ba {\sumgydF4y2Ba}_{jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba}^{lgydF4y2Ba} {wgydF4y2Ba}_{jgydF4y2Ba} (gydF4y2Ba {rgydF4y2Ba}_{jgydF4y2Ba} 日志gydF4y2Ba \frac{{rgydF4y2Ba}_{jgydF4y2Ba}}{{\overset{^gydF4y2Ba}{rgydF4y2Ba}}_{jgydF4y2Ba}} +gydF4y2Ba (gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba {rgydF4y2Ba}_{jgydF4y2Ba})gydF4y2Ba 日志gydF4y2Ba \frac{1gydF4y2Ba -gydF4y2Ba {rgydF4y2Ba}_{jgydF4y2Ba}}{1gydF4y2Ba -gydF4y2Ba {\overset{^gydF4y2Ba}{rgydF4y2Ba}}_{jgydF4y2Ba}}]gydF4y2Ba,gydF4y2Ba$

在哪里gydF4y2Ba ${wgydF4y2Ba}_{jgydF4y2Ba} =gydF4y2Ba \underset{{年代gydF4y2Ba}_{jgydF4y2Ba}}{\sumgydF4y2Ba} {wgydF4y2Ba}_{我gydF4y2Ba}^{*gydF4y2Ba}$ 是二进制学习者的重量吗gydF4y2BajgydF4y2Ba。gydF4y2Ba

年代gydF4y2Ba_jgydF4y2Ba是一组二进制学习者的观察指标gydF4y2BajgydF4y2Ba是训练有素的。gydF4y2Ba
${wgydF4y2Ba}_{我gydF4y2Ba}^{*gydF4y2Ba}$ 观察的重量吗gydF4y2Ba我gydF4y2Ba。gydF4y2Ba

软件最小化迭代发散。第一步是选择初始值gydF4y2Ba ${\overset{^gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}^{(gydF4y2Ba 0gydF4y2Ba)gydF4y2Ba};gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba,gydF4y2Ba …gydF4y2Ba,gydF4y2Ba KgydF4y2Ba$ 类的后验概率。gydF4y2Ba

如果你不指定gydF4y2Ba“NumKLIterations”gydF4y2Ba,那么软件试下描述两组确定的初始值,并选择最小化Δ的集合。gydF4y2Ba
- ${\overset{^gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}^{(gydF4y2Ba 0gydF4y2Ba)gydF4y2Ba} =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba KgydF4y2Ba;gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba,gydF4y2Ba …gydF4y2Ba,gydF4y2Ba KgydF4y2Ba 。gydF4y2Ba$
- ${\overset{^gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}^{(gydF4y2Ba 0gydF4y2Ba)gydF4y2Ba};gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba,gydF4y2Ba …gydF4y2Ba,gydF4y2Ba KgydF4y2Ba$ 系统的解决方案吗gydF4y2Ba
  
  ${米gydF4y2Ba}_{01gydF4y2Ba} {\overset{^gydF4y2Ba}{pgydF4y2Ba}}^{(gydF4y2Ba 0gydF4y2Ba)gydF4y2Ba} =gydF4y2Ba rgydF4y2Ba,gydF4y2Ba$
  
  在哪里gydF4y2Ba米gydF4y2Ba_01gydF4y2Ba是gydF4y2Ba米gydF4y2Ba与所有gydF4y2Ba米gydF4y2Ba_kjgydF4y2Ba= 1替换为0,gydF4y2BargydF4y2Ba返回的是一个向量的positive-class后验概率gydF4y2BalgydF4y2Ba二进制学习者gydF4y2Ba(Dietterich等。)gydF4y2Ba。软件使用gydF4y2BalsqnonneggydF4y2Ba解决系统。gydF4y2Ba
如果您指定gydF4y2Ba“NumKLIterations”, cgydF4y2Ba,在那里gydF4y2BacgydF4y2Ba是一个自然数,那么以下选择的一组软件呢gydF4y2Ba ${\overset{^gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}^{(gydF4y2Ba 0gydF4y2Ba)gydF4y2Ba};gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba,gydF4y2Ba …gydF4y2Ba,gydF4y2Ba KgydF4y2Ba$ ,并选择最小化Δ的集合。gydF4y2Ba
- 软件试两组确定的初始值如前所述。gydF4y2Ba
- 软件随机生成gydF4y2BacgydF4y2Ba向量的长度gydF4y2BaKgydF4y2Ba使用gydF4y2Ba兰德gydF4y2Ba,然后纠正每个向量之和为1。gydF4y2Ba

在迭代gydF4y2BatgydF4y2Ba软件完成以下步骤:gydF4y2Ba

计算gydF4y2Ba

${\overset{^gydF4y2Ba}{rgydF4y2Ba}}_{jgydF4y2Ba}^{(gydF4y2Ba tgydF4y2Ba)gydF4y2Ba} =gydF4y2Ba \frac{{\sumgydF4y2Ba}_{kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba}^{KgydF4y2Ba} {\overset{^gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}^{(gydF4y2Ba tgydF4y2Ba)gydF4y2Ba} 我gydF4y2Ba (gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} =gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba)gydF4y2Ba}{{\sumgydF4y2Ba}_{kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba}^{KgydF4y2Ba} {\overset{^gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}^{(gydF4y2Ba tgydF4y2Ba)gydF4y2Ba} 我gydF4y2Ba (gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} =gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba \cupgydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} =gydF4y2Ba -gydF4y2Ba 1gydF4y2Ba)gydF4y2Ba} 。gydF4y2Ba$
估计下一个类使用的后验概率gydF4y2Ba

${\overset{^gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}^{(gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba)gydF4y2Ba} =gydF4y2Ba {\overset{^gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}^{(gydF4y2Ba tgydF4y2Ba)gydF4y2Ba} \frac{{\sumgydF4y2Ba}_{jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba}^{lgydF4y2Ba} {wgydF4y2Ba}_{jgydF4y2Ba} (gydF4y2Ba {rgydF4y2Ba}_{jgydF4y2Ba} 我gydF4y2Ba (gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} =gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba)gydF4y2Ba +gydF4y2Ba (gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba {rgydF4y2Ba}_{jgydF4y2Ba})gydF4y2Ba 我gydF4y2Ba (gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} =gydF4y2Ba -gydF4y2Ba 1gydF4y2Ba)gydF4y2Ba]gydF4y2Ba}{{\sumgydF4y2Ba}_{jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba}^{lgydF4y2Ba} {wgydF4y2Ba}_{jgydF4y2Ba} (gydF4y2Ba {\overset{^gydF4y2Ba}{rgydF4y2Ba}}_{jgydF4y2Ba}^{(gydF4y2Ba tgydF4y2Ba)gydF4y2Ba} 我gydF4y2Ba (gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} =gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba)gydF4y2Ba +gydF4y2Ba (gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba {\overset{^gydF4y2Ba}{rgydF4y2Ba}}_{jgydF4y2Ba}^{(gydF4y2Ba tgydF4y2Ba)gydF4y2Ba})gydF4y2Ba 我gydF4y2Ba (gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} =gydF4y2Ba -gydF4y2Ba 1gydF4y2Ba)gydF4y2Ba]gydF4y2Ba} 。gydF4y2Ba$
正常化gydF4y2Ba ${\overset{^gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}^{(gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba)gydF4y2Ba};gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba,gydF4y2Ba …gydF4y2Ba,gydF4y2Ba KgydF4y2Ba$ 所以,他们和1。gydF4y2Ba
检查收敛。gydF4y2Ba

更多细节,请参阅gydF4y2Ba(Hastie等。)gydF4y2Ba和gydF4y2Ba(Zadrozny)gydF4y2Ba。gydF4y2Ba

使用二次规划后评估gydF4y2Ba

后验概率估计使用二次规划需要一个优化工具箱许可证。估计后验概率的观察使用这种方法,该软件完成这些步骤:gydF4y2Ba

估计positive-class后验概率,gydF4y2BargydF4y2Ba_jgydF4y2Ba为二进制学习者gydF4y2BajgydF4y2Ba= 1,…,gydF4y2BalgydF4y2Ba。gydF4y2Ba
使用之间的关系gydF4y2BargydF4y2Ba_jgydF4y2Ba和gydF4y2Ba ${\overset{^gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}$ (吴等。)gydF4y2Ba,最大限度地减少gydF4y2Ba

${\sumgydF4y2Ba}_{jgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba}^{lgydF4y2Ba} {(gydF4y2Ba -gydF4y2Ba {rgydF4y2Ba}_{jgydF4y2Ba} {\sumgydF4y2Ba}_{kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba}^{KgydF4y2Ba} {\overset{^gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba} 我gydF4y2Ba (gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} =gydF4y2Ba -gydF4y2Ba 1gydF4y2Ba)gydF4y2Ba +gydF4y2Ba (gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba {rgydF4y2Ba}_{jgydF4y2Ba})gydF4y2Ba {\sumgydF4y2Ba}_{kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba}^{KgydF4y2Ba} {\overset{^gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba} 我gydF4y2Ba (gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} =gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba)gydF4y2Ba]gydF4y2Ba}^{2gydF4y2Ba}$

关于gydF4y2Ba ${\overset{^gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}$ 和限制gydF4y2Ba

$\begin{array}{l} 0gydF4y2Ba \leqgydF4y2Ba {\overset{^gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba} \leqgydF4y2Ba 1gydF4y2Ba \\ \underset{kgydF4y2Ba}{\sumgydF4y2Ba} {\overset{^gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba} =gydF4y2Ba 1。gydF4y2Ba \end{array}$

软件执行最小化使用gydF4y2BaquadproggydF4y2Ba(优化工具箱)gydF4y2Ba。gydF4y2Ba

引用gydF4y2Ba

[1]Allwein E。,R. Schapire, and Y. Singer. “Reducing multiclass to binary: A unifying approach for margin classiﬁers.”机器学习研究杂志》上gydF4y2Ba。1卷,2000年,页113 - 141。gydF4y2Ba

[2]Dietterich, T。,g . Bakiri。“解决多级学习问题通过纠错输出编码。”gydF4y2Ba人工智能研究杂志》上gydF4y2Ba。2卷,1995年,页263 - 286。gydF4y2Ba

[3]Escalera, S。,O. Pujol, and P. Radeva. “Separability of ternary codes for sparse designs of error-correcting output codes.”Recog模式。列托人。gydF4y2Ba问题3,卷。30日,2009年,页285 - 297。gydF4y2Ba

[4]Escalera, S。,O. Pujol, and P. Radeva. “On the decoding process in ternary error-correcting output codes.”IEEE模式分析与机器智能gydF4y2Ba。32卷,问题7,2010年,页120 - 134。gydF4y2Ba

[5]Hastie, T。,R. Tibshirani. “Classification by Pairwise Coupling.”统计年鉴gydF4y2Ba。问题2卷。26日,1998年,页451 - 471。gydF4y2Ba

[6],t·F。,C. J. Lin, and R. Weng. “Probability Estimates for Multi-Class Classification by Pairwise Coupling.”机器学习研究杂志》上gydF4y2Ba。5卷,2004年,页975 - 1005。gydF4y2Ba

[7]Zadrozny, b“减少多级二进制耦合概率估计。”gydF4y2Ba捏2001:学报的发展神经信息处理系统14gydF4y2Ba,2001年,页1041 - 1048。gydF4y2Ba

扩展功能gydF4y2Ba

自动并行支持金宝appgydF4y2Ba
加速代码通过自动运行并行计算使用并行计算工具箱™。gydF4y2Ba

并行运行,指定gydF4y2Ba选项gydF4y2Ba名称-值参数在调用这个函数,设置gydF4y2BaUseParallelgydF4y2Ba选择结构领域gydF4y2Ba真正的gydF4y2Ba使用gydF4y2BastatsetgydF4y2Ba:gydF4y2Ba

“选项”,statset (“UseParallel”,真的)gydF4y2Ba

关于并行计算的更多信息,请参阅gydF4y2BaMATLAB函数自动并行支持运行金宝appgydF4y2Ba(并行计算工具箱)gydF4y2Ba。gydF4y2Ba

GPU数组gydF4y2Ba
加速代码运行在一个图形处理单元(GPU)使用并行计算工具箱™。gydF4y2Ba

这个函数完全支持GPU数组。金宝app有关更多信息,请参见gydF4y2Ba运行在GPU MATLAB函数gydF4y2Ba(并行计算工具箱)gydF4y2Ba。gydF4y2Ba

版本历史gydF4y2Ba

介绍了R2014bgydF4y2Ba

另请参阅gydF4y2Ba

kfoldPredictgydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

预测gydF4y2BakgydF4y2Ba倍交叉验证标签gydF4y2Ba

预测交叉验证标签使用自定义二进制损失函数gydF4y2Ba

交叉验证估计后验概率gydF4y2Ba

估计交叉验证使用并行计算后验概率gydF4y2Ba

输入参数gydF4y2Ba

`CVMdlgydF4y2Ba`- - - - - -gydF4y2Ba旨在ECOC模型gydF4y2Ba
`ClassificationPartitionedECOCgydF4y2Ba`模型gydF4y2Ba

名称-值参数gydF4y2Ba

`解码gydF4y2Ba`- - - - - -gydF4y2Ba解码方案gydF4y2Ba
`“lossweighted”gydF4y2Ba`(默认)|gydF4y2Ba`“lossbased”gydF4y2Ba`

`NumKLInitializationsgydF4y2Ba`- - - - - -gydF4y2Ba数量的随机初始值gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba非负整数标量gydF4y2Ba

`选项gydF4y2Ba`- - - - - -gydF4y2Ba估计选项gydF4y2Ba
`[]gydF4y2Ba`(默认)|gydF4y2Ba结构数组返回gydF4y2Ba`statsetgydF4y2Ba`

`PosteriorMethodgydF4y2Ba`- - - - - -gydF4y2Ba后验概率估计方法gydF4y2Ba
`“吉隆坡”gydF4y2Ba`(默认)|gydF4y2Ba`“qp”gydF4y2Ba`

`详细的gydF4y2Ba`- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba`1gydF4y2Ba`

输出参数gydF4y2Ba

`标签gydF4y2Ba`——预测类标签gydF4y2Ba
分类数组逻辑向量|数字向量| | |字符数组单元阵列的特征向量gydF4y2Ba

`NegLossgydF4y2Ba`——否定平均二进制损失gydF4y2Ba
数字矩阵gydF4y2Ba

`PBScoregydF4y2Ba`——Positive-class分数gydF4y2Ba
数字矩阵gydF4y2Ba

`后gydF4y2Ba`——后类概率gydF4y2Ba
数字矩阵gydF4y2Ba

更多关于gydF4y2Ba

二元损失gydF4y2Ba

算法gydF4y2Ba

后估计使用Kullback-Leibler散度gydF4y2Ba

使用二次规划后评估gydF4y2Ba

引用gydF4y2Ba

扩展功能gydF4y2Ba

自动并行支持金宝appgydF4y2Ba
加速代码通过自动运行并行计算使用并行计算工具箱™。gydF4y2Ba

GPU数组gydF4y2Ba
加速代码运行在一个图形处理单元(GPU)使用并行计算工具箱™。gydF4y2Ba

版本历史gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

kfoldPredictgydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

预测gydF4y2BakgydF4y2Ba倍交叉验证标签gydF4y2Ba

预测交叉验证标签使用自定义二进制损失函数gydF4y2Ba

交叉验证估计后验概率gydF4y2Ba

估计交叉验证使用并行计算后验概率gydF4y2Ba

输入参数gydF4y2Ba

CVMdlgydF4y2Ba- - - - - -gydF4y2Ba旨在ECOC模型gydF4y2BaClassificationPartitionedECOCgydF4y2Ba模型gydF4y2Ba

名称-值参数gydF4y2Ba

解码gydF4y2Ba- - - - - -gydF4y2Ba解码方案gydF4y2Ba“lossweighted”gydF4y2Ba(默认)|gydF4y2Ba“lossbased”gydF4y2Ba

NumKLInitializationsgydF4y2Ba- - - - - -gydF4y2Ba数量的随机初始值gydF4y2Ba0gydF4y2Ba(默认)|gydF4y2Ba非负整数标量gydF4y2Ba

选项gydF4y2Ba- - - - - -gydF4y2Ba估计选项gydF4y2Ba[]gydF4y2Ba(默认)|gydF4y2Ba结构数组返回gydF4y2BastatsetgydF4y2Ba

PosteriorMethodgydF4y2Ba- - - - - -gydF4y2Ba后验概率估计方法gydF4y2Ba“吉隆坡”gydF4y2Ba(默认)|gydF4y2Ba“qp”gydF4y2Ba

详细的gydF4y2Ba- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba0gydF4y2Ba(默认)|gydF4y2Ba1gydF4y2Ba

输出参数gydF4y2Ba

标签gydF4y2Ba——预测类标签gydF4y2Ba分类数组逻辑向量|数字向量| | |字符数组单元阵列的特征向量gydF4y2Ba

NegLossgydF4y2Ba——否定平均二进制损失gydF4y2Ba数字矩阵gydF4y2Ba

PBScoregydF4y2Ba——Positive-class分数gydF4y2Ba数字矩阵gydF4y2Ba

后gydF4y2Ba——后类概率gydF4y2Ba数字矩阵gydF4y2Ba

更多关于gydF4y2Ba

二元损失gydF4y2Ba

算法gydF4y2Ba

后估计使用Kullback-Leibler散度gydF4y2Ba

使用二次规划后评估gydF4y2Ba

引用gydF4y2Ba

扩展功能gydF4y2Ba

自动并行支持金宝appgydF4y2Ba加速代码通过自动运行并行计算使用并行计算工具箱™。gydF4y2Ba

GPU数组gydF4y2Ba加速代码运行在一个图形处理单元(GPU)使用并行计算工具箱™。gydF4y2Ba

版本历史gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

`CVMdlgydF4y2Ba`- - - - - -gydF4y2Ba旨在ECOC模型gydF4y2Ba
`ClassificationPartitionedECOCgydF4y2Ba`模型gydF4y2Ba

`解码gydF4y2Ba`- - - - - -gydF4y2Ba解码方案gydF4y2Ba
`“lossweighted”gydF4y2Ba`(默认)|gydF4y2Ba`“lossbased”gydF4y2Ba`

`NumKLInitializationsgydF4y2Ba`- - - - - -gydF4y2Ba数量的随机初始值gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba非负整数标量gydF4y2Ba

`选项gydF4y2Ba`- - - - - -gydF4y2Ba估计选项gydF4y2Ba
`[]gydF4y2Ba`(默认)|gydF4y2Ba结构数组返回gydF4y2Ba`statsetgydF4y2Ba`

`PosteriorMethodgydF4y2Ba`- - - - - -gydF4y2Ba后验概率估计方法gydF4y2Ba
`“吉隆坡”gydF4y2Ba`(默认)|gydF4y2Ba`“qp”gydF4y2Ba`

`详细的gydF4y2Ba`- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba`1gydF4y2Ba`

`标签gydF4y2Ba`——预测类标签gydF4y2Ba
分类数组逻辑向量|数字向量| | |字符数组单元阵列的特征向量gydF4y2Ba

`NegLossgydF4y2Ba`——否定平均二进制损失gydF4y2Ba
数字矩阵gydF4y2Ba

`PBScoregydF4y2Ba`——Positive-class分数gydF4y2Ba
数字矩阵gydF4y2Ba

`后gydF4y2Ba`——后类概率gydF4y2Ba
数字矩阵gydF4y2Ba

自动并行支持金宝appgydF4y2Ba
加速代码通过自动运行并行计算使用并行计算工具箱™。gydF4y2Ba

GPU数组gydF4y2Ba
加速代码运行在一个图形处理单元(GPU)使用并行计算工具箱™。gydF4y2Ba