ClassificationECOCgydF4y2Ba
支持向量机(svm)和其他分类器的多类模型金宝appgydF4y2Ba
描述gydF4y2Ba
ClassificationECOCgydF4y2Ba
是一个gydF4y2Ba纠错输出码(ECOC)分类器gydF4y2Ba用于多类学习,其中分类器由多个二元学习器组成,如支持向量机(svm)。金宝app训练有素的gydF4y2BaClassificationECOCgydF4y2Ba
分类器存储训练数据、参数值、先验概率和编码矩阵。使用这些分类器来执行诸如预测标签或新数据的后验概率等任务gydF4y2Ba预测gydF4y2Ba
).gydF4y2Ba
创建gydF4y2Ba
创建一个gydF4y2BaClassificationECOCgydF4y2Ba
对象,使用gydF4y2BafitcecocgydF4y2Ba
.gydF4y2Ba
如果指定线性或内核二进制学习器而没有指定交叉验证选项,则gydF4y2BafitcecocgydF4y2Ba
返回一个gydF4y2BaCompactClassificationECOCgydF4y2Ba
对象。gydF4y2Ba
属性gydF4y2Ba
在创建一个gydF4y2BaClassificationECOCgydF4y2Ba
模型对象,您可以使用点符号来访问它的属性。有关示例,请参见gydF4y2Ba使用SVM学习器训练多类模型gydF4y2Ba.gydF4y2Ba
ECOC属性gydF4y2Ba
BinaryLearnersgydF4y2Ba
- - - - - -gydF4y2Ba训练有素的二元学习者gydF4y2Ba
模型对象的单元格向量gydF4y2Ba
训练过的二进制学习器,指定为模型对象的单元向量。二元学习器的数量取决于类的数量gydF4y2BaYgydF4y2Ba
以及编码设计。gydF4y2Ba
软件训练gydF4y2BaBinaryLearner {j}gydF4y2Ba
根据所指定的二进制问题gydF4y2BaCodingMatrixgydF4y2Ba
(:, j)gydF4y2Ba
.例如,对于使用SVM学习器的多类学习,中的每个元素gydF4y2BaBinaryLearnersgydF4y2Ba
是一个gydF4y2BaCompactClassificationSVMgydF4y2Ba
分类器。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
BinaryLossgydF4y2Ba
- - - - - -gydF4y2Ba二元学习器损失函数gydF4y2Ba
“binodeviance”gydF4y2Ba
|gydF4y2Ba“指数”gydF4y2Ba
|gydF4y2Ba“汉明”gydF4y2Ba
|gydF4y2Ba“枢纽”gydF4y2Ba
|gydF4y2Ba“线性”gydF4y2Ba
|gydF4y2Ba分对数的gydF4y2Ba
|gydF4y2Ba“二次”gydF4y2Ba
二元学习器损失函数,指定为表示损失函数名称的字符向量。gydF4y2Ba
默认的gydF4y2BaBinaryLossgydF4y2Ba
值取决于二进制学习器返回的分数范围。该表标识了一些默认值gydF4y2BaBinaryLossgydF4y2Ba
当您使用默认分数转换(gydF4y2BaScoreTransformgydF4y2Ba
模型的属性为gydF4y2Ba“没有”gydF4y2Ba
).gydF4y2Ba
假设gydF4y2Ba | 默认值gydF4y2Ba |
---|---|
所有二元学习器都是以下任意一个:gydF4y2Ba
|
“二次”gydF4y2Ba |
所有的二元学习器都是支持向量机或支持向量机学习器的线性或核分类模型。gydF4y2Ba | “枢纽”gydF4y2Ba |
所有二元学习器都是由gydF4y2BaAdaboostM1gydF4y2Ba 或gydF4y2BaGentleBoostgydF4y2Ba .gydF4y2Ba |
“指数”gydF4y2Ba |
所有二元学习器都是由gydF4y2BaLogitBoostgydF4y2Ba .gydF4y2Ba |
“binodeviance”gydF4y2Ba |
您指定通过设置来预测类后验概率gydF4y2Ba“FitPosterior”,真的gydF4y2Ba 在gydF4y2BafitcecocgydF4y2Ba .gydF4y2Ba |
“二次”gydF4y2Ba |
二元学习器是异构的,使用不同的损失函数。gydF4y2Ba | “汉明”gydF4y2Ba |
若要检查默认值,请使用点表示法显示gydF4y2BaBinaryLossgydF4y2Ba
属性。gydF4y2Ba
方法在预测或损失计算过程中指定一个二进制损失函数,以潜在地提高精度gydF4y2BaBinaryLossgydF4y2Ba
的名称-值参数gydF4y2Ba预测gydF4y2Ba
或gydF4y2Ba损失gydF4y2Ba
.有关更多信息,请参见gydF4y2Ba二元损失gydF4y2Ba.gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
BinaryYgydF4y2Ba
- - - - - -gydF4y2Ba二元学习者类标签gydF4y2Ba
数字矩阵gydF4y2Ba
二进制学习器类标签,指定为数值矩阵。gydF4y2BaBinaryYgydF4y2Ba
是一个gydF4y2BaNumObservationsgydF4y2Ba
——- - - - - -gydF4y2BalgydF4y2Ba矩阵,gydF4y2BalgydF4y2Ba是二元学习器的数目(gydF4y2Ba长度(Mdl.BinaryLearners)gydF4y2Ba
).gydF4y2Ba
的元素gydF4y2BaBinaryYgydF4y2Ba
是gydF4y2Ba1gydF4y2Ba
,gydF4y2Ba0gydF4y2Ba
,或gydF4y2Ba1gydF4y2Ba
,该值对应于二分类的类赋值。该表描述了如何学习gydF4y2BajgydF4y2Ba
分配的观察gydF4y2BakgydF4y2Ba
的值对应于的二分类类gydF4y2BaBinaryY (k, j)gydF4y2Ba
.gydF4y2Ba
价值gydF4y2Ba | 二分类分配gydF4y2Ba |
---|---|
1gydF4y2Ba |
学习者gydF4y2BajgydF4y2Ba 分配的观察gydF4y2BakgydF4y2Ba 到一个消极的班级。gydF4y2Ba |
0gydF4y2Ba |
培训前,学习者gydF4y2BajgydF4y2Ba 删除的观察gydF4y2BakgydF4y2Ba 从数据集中。gydF4y2Ba |
1gydF4y2Ba |
学习者gydF4y2BajgydF4y2Ba 分配的观察gydF4y2BakgydF4y2Ba 去上积极向上的课。gydF4y2Ba |
数据类型:gydF4y2Ba双gydF4y2Ba
BinEdgesgydF4y2Ba
- - - - - -gydF4y2Ba数值预测器的Bin边gydF4y2Ba
数值向量的单元格数组gydF4y2Ba|gydF4y2Ba[]gydF4y2Ba
此属性是只读的。gydF4y2Ba
的单元格数组指定的数值预测器的Bin边gydF4y2BapgydF4y2Ba数字向量,其中gydF4y2BapgydF4y2Ba是预测因子的数量。每个向量都包含数值预测器的bin边。类别预测器的单元格数组中的元素为空,因为软件不收纳类别预测器。gydF4y2Ba
类型时,软件才会对数值预测器进行分类gydF4y2Ba“NumBins”gydF4y2Ba
在使用树学习器训练模型时,名称-值参数作为正整数标量。的gydF4y2BaBinEdgesgydF4y2Ba
属性为空gydF4y2Ba“NumBins”gydF4y2Ba
值为空(默认值)。gydF4y2Ba
您可以重新生成已归档的预测器数据gydF4y2BaXbinnedgydF4y2Ba
通过使用gydF4y2BaBinEdgesgydF4y2Ba
训练模型的属性gydF4y2BamdlgydF4y2Ba
.gydF4y2Ba
X = mdl.X;%预测数据Xbinned = 0(大小(X));edges = mdl.BinEdges;查找已分类预测符的索引。idxNumeric = find(~cellfun(@isempty,edges));if iscolumn(idxNumeric) idxNumeric = idxNumeric';end for j = idxNumeric x = x (:,j);如果x是一个表,则将x转换为数组。If stable(x) x = table2array(x);将x分组到箱子中gydF4y2Ba离散化gydF4y2Ba
函数。Xbinned =离散化(x,[-inf;边缘{};正]);Xbinned(:,j) = Xbinned;结束gydF4y2Ba
XbinnedgydF4y2Ba
包含数值预测器的容器索引,范围从1到容器数。gydF4y2BaXbinnedgydF4y2Ba
类别预测器的值为0。如果gydF4y2BaXgydF4y2Ba
包含gydF4y2Ba南gydF4y2Ba
S,然后是对应的gydF4y2BaXbinnedgydF4y2Ba
值是gydF4y2Ba南gydF4y2Ba
年代。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
CodingMatrixgydF4y2Ba
- - - - - -gydF4y2Ba类赋值代码gydF4y2Ba
数字矩阵gydF4y2Ba
二进制学习器的类赋值代码,指定为数值矩阵。gydF4y2BaCodingMatrixgydF4y2Ba
是一个gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BalgydF4y2Ba矩阵,gydF4y2BaKgydF4y2Ba是班级的数量和gydF4y2BalgydF4y2Ba是二元学习器的数目。gydF4y2Ba
的要素gydF4y2BaCodingMatrixgydF4y2Ba
是gydF4y2Ba1gydF4y2Ba
,gydF4y2Ba0gydF4y2Ba
,gydF4y2Ba1gydF4y2Ba
,这些值对应于二分法的课程分配。该表描述了如何学习gydF4y2BajgydF4y2Ba
在课堂上布置观察gydF4y2Ba我gydF4y2Ba
的值对应于的二分类类gydF4y2BaCodingMatrix (i, j)gydF4y2Ba
.gydF4y2Ba
价值gydF4y2Ba | 二分类分配gydF4y2Ba |
---|---|
1gydF4y2Ba |
学习者gydF4y2BajgydF4y2Ba 在课堂上布置观察gydF4y2Ba我gydF4y2Ba 到一个消极的班级。gydF4y2Ba |
0gydF4y2Ba |
培训前,学习者gydF4y2BajgydF4y2Ba 删除类中的观察值gydF4y2Ba我gydF4y2Ba 从数据集中。gydF4y2Ba |
1gydF4y2Ba |
学习者gydF4y2BajgydF4y2Ba 在课堂上布置观察gydF4y2Ba我gydF4y2Ba 去上积极向上的课。gydF4y2Ba |
数据类型:gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba单gydF4y2Ba
|gydF4y2Baint8gydF4y2Ba
|gydF4y2Baint16gydF4y2Ba
|gydF4y2Baint32gydF4y2Ba
|gydF4y2Baint64gydF4y2Ba
CodingNamegydF4y2Ba
- - - - - -gydF4y2Ba编码设计名称gydF4y2Ba
特征向量gydF4y2Ba
编码设计名称,指定为字符向量。详情请参见gydF4y2Ba编码设计gydF4y2Ba.gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
LearnerWeightsgydF4y2Ba
- - - - - -gydF4y2Ba二元学习器权重gydF4y2Ba
数字行向量gydF4y2Ba
二进制学习器权重,指定为数值行向量。的长度gydF4y2BaLearnerWeightsgydF4y2Ba
等于二元学习器的数目(gydF4y2Ba长度(Mdl.BinaryLearners)gydF4y2Ba
).gydF4y2Ba
LearnerWeights (j)gydF4y2Ba
观察权重的和是二元学习者吗gydF4y2BajgydF4y2Ba
用于训练其分类器。gydF4y2Ba
软件使用gydF4y2BaLearnerWeightsgydF4y2Ba
通过最小化Kullback-Leibler散度来拟合后验概率。软件忽略了gydF4y2BaLearnerWeightsgydF4y2Ba
当它使用二次规划方法估计后验概率时。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba单gydF4y2Ba
其他分类属性gydF4y2Ba
CategoricalPredictorsgydF4y2Ba
- - - - - -gydF4y2Ba分类预测指标gydF4y2Ba
正整数向量gydF4y2Ba|gydF4y2Ba[]gydF4y2Ba
分类预测指标,指定为正整数向量。gydF4y2BaCategoricalPredictorsgydF4y2Ba
包含指示相应预测符是分类的索引值。索引值在1和之间gydF4y2BapgydF4y2Ba
,在那里gydF4y2BapgydF4y2Ba
用于训练模型的预测器的数量。如果没有一个预测符是分类的,则此属性为空(gydF4y2Ba[]gydF4y2Ba
).gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
一会gydF4y2Ba
- - - - - -gydF4y2Ba唯一的类标签gydF4y2Ba
分类数组gydF4y2Ba|gydF4y2Ba字符数组gydF4y2Ba|gydF4y2Ba逻辑向量gydF4y2Ba|gydF4y2Ba数值向量gydF4y2Ba|gydF4y2Ba字符向量的单元格数组gydF4y2Ba
训练中使用的唯一类标签,指定为类别或字符数组、逻辑或数字向量或字符向量的单元格数组。gydF4y2Ba一会gydF4y2Ba
与类标签具有相同的数据类型gydF4y2BaYgydF4y2Ba
.gydF4y2Ba(该软件将字符串数组视为字符向量的单元格数组。)gydF4y2Ba一会gydF4y2Ba
也决定了类的顺序。gydF4y2Ba
数据类型:gydF4y2Ba分类gydF4y2Ba
|gydF4y2Ba字符gydF4y2Ba
|gydF4y2Ba逻辑gydF4y2Ba
|gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba细胞gydF4y2Ba
成本gydF4y2Ba
- - - - - -gydF4y2Ba误分类代价gydF4y2Ba
方形数值矩阵gydF4y2Ba
此属性是只读的。gydF4y2Ba
错误分类代价,指定为方阵数字矩阵。gydF4y2Ba成本gydF4y2Ba
有gydF4y2BaKgydF4y2Ba行和列,其中gydF4y2BaKgydF4y2Ba是类的数量。gydF4y2Ba
成本(i, j)gydF4y2Ba
将一个点分类的成本是多少gydF4y2BajgydF4y2Ba
如果它真正的阶级是gydF4y2Ba我gydF4y2Ba
.的行和列的顺序gydF4y2Ba成本gydF4y2Ba
中类的顺序对应gydF4y2Ba一会gydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
ExpandedPredictorNamesgydF4y2Ba
- - - - - -gydF4y2Ba扩展的预测器名称gydF4y2Ba
字符向量的单元格数组gydF4y2Ba
扩展的预测器名称,指定为字符向量的单元格数组。gydF4y2Ba
如果模型对分类变量使用编码,则gydF4y2BaExpandedPredictorNamesgydF4y2Ba
包括描述展开变量的名称。否则,gydF4y2BaExpandedPredictorNamesgydF4y2Ba
和gydF4y2BaPredictorNamesgydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
ModelParametersgydF4y2Ba
- - - - - -gydF4y2Ba参数值gydF4y2Ba
对象gydF4y2Ba
参数值,例如用于训练ECOC分类器的名称-值对参数值,指定为对象。gydF4y2BaModelParametersgydF4y2Ba
不包含估计参数。gydF4y2Ba
访问属性gydF4y2BaModelParametersgydF4y2Ba
使用点表示法。例如,通过使用列出包含二元学习器参数的模板gydF4y2BaMdl.ModelParameters.BinaryLearnergydF4y2Ba
.gydF4y2Ba
NumObservationsgydF4y2Ba
- - - - - -gydF4y2Ba观察次数gydF4y2Ba
正数值标量gydF4y2Ba
训练数据中的观察数,指定为正数值标量。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
PredictorNamesgydF4y2Ba
- - - - - -gydF4y2Ba预测的名字gydF4y2Ba
字符向量的单元格数组gydF4y2Ba
预测器名称按其在预测器数据中的出现顺序排列gydF4y2BaXgydF4y2Ba
,指定为字符向量的单元格数组。的长度gydF4y2BaPredictorNamesgydF4y2Ba
等于里面的列数gydF4y2BaXgydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
之前gydF4y2Ba
- - - - - -gydF4y2Ba先验类概率gydF4y2Ba
数值向量gydF4y2Ba
此属性是只读的。gydF4y2Ba
优先类概率,指定为数值向量。gydF4y2Ba之前gydF4y2Ba
元素的数量和类的数量一样多gydF4y2Ba一会gydF4y2Ba
,元素的顺序对应于类的顺序gydF4y2Ba一会gydF4y2Ba
.gydF4y2Ba
fitcecocgydF4y2Ba
结合了不同类型二元学习器的错误分类代价。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
ResponseNamegydF4y2Ba
- - - - - -gydF4y2Ba响应变量名gydF4y2Ba
特征向量gydF4y2Ba
响应变量名,指定为字符向量。gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
RowsUsedgydF4y2Ba
- - - - - -gydF4y2Ba拟合中使用的行gydF4y2Ba
[]gydF4y2Ba
(默认)|gydF4y2Ba逻辑向量gydF4y2Ba
用于拟合的原始训练数据行gydF4y2BaClassificationECOCgydF4y2Ba
模型,指定为逻辑向量。如果使用所有行,则此属性为空。gydF4y2Ba
数据类型:gydF4y2Ba逻辑gydF4y2Ba
ScoreTransformgydF4y2Ba
- - - - - -gydF4y2Ba分数转换函数应用于预测分数gydF4y2Ba
“doublelogit”gydF4y2Ba
|gydF4y2Ba“invlogit”gydF4y2Ba
|gydF4y2Ba“ismax”gydF4y2Ba
|gydF4y2Ba分对数的gydF4y2Ba
|gydF4y2Ba“没有”gydF4y2Ba
|gydF4y2Ba函数处理gydF4y2Ba|……gydF4y2Ba
应用于预测分数的分数转换函数,指定为函数名或函数句柄。gydF4y2Ba
将分数转换函数更改为gydF4y2Ba函数gydF4y2Ba
例如,使用点表示法。gydF4y2Ba
对于内置函数,输入此代码并替换gydF4y2Ba
函数gydF4y2Ba
使用表中的值。gydF4y2BaMdl。ScoreTransform = 'gydF4y2Ba函数gydF4y2Ba”;gydF4y2Ba
价值gydF4y2Ba 描述gydF4y2Ba “doublelogit”gydF4y2Ba
1 / (1 +gydF4y2BaegydF4y2Ba2gydF4y2BaxgydF4y2Ba)gydF4y2Ba “invlogit”gydF4y2Ba
日志(gydF4y2BaxgydF4y2Ba/ (1 -gydF4y2BaxgydF4y2Ba))gydF4y2Ba “ismax”gydF4y2Ba
将得分最大的类的得分设置为1,并将所有其他类的得分设置为0gydF4y2Ba “分对数”gydF4y2Ba
1 / (1 +gydF4y2BaegydF4y2Ba- - - - - -gydF4y2BaxgydF4y2Ba)gydF4y2Ba “没有”gydF4y2Ba
或gydF4y2Ba“身份”gydF4y2Ba
xgydF4y2Ba(转换)gydF4y2Ba “标志”gydF4y2Ba
1gydF4y2BaxgydF4y2Ba< 0gydF4y2Ba
为0gydF4y2BaxgydF4y2Ba= 0gydF4y2Ba
1gydF4y2BaxgydF4y2Ba> 0gydF4y2Ba“对称”gydF4y2Ba
2gydF4y2BaxgydF4y2Ba- 1gydF4y2Ba “symmetricismax”gydF4y2Ba
将得分最大的类的得分设置为1,并将所有其他类的得分设置为-1gydF4y2Ba “symmetriclogit”gydF4y2Ba
2 / (1 +gydF4y2BaegydF4y2Ba- - - - - -gydF4y2BaxgydF4y2Ba) - 1gydF4y2Ba 对于MATLABgydF4y2Ba®gydF4y2Ba函数或您定义的函数,输入其函数句柄。gydF4y2Ba
Mdl。ScoreTransform = @gydF4y2Ba函数gydF4y2Ba;gydF4y2Ba
函数gydF4y2Ba
必须接受一个矩阵(原始分数)并返回一个相同大小的矩阵(转换后的分数)。gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
|gydF4y2Bafunction_handlegydF4y2Ba
WgydF4y2Ba
- - - - - -gydF4y2Ba观察权重gydF4y2Ba
数值向量gydF4y2Ba
用于训练ECOC分类器的观察权重,指定为数值向量。gydF4y2BaWgydF4y2Ba
有gydF4y2BaNumObservationsgydF4y2Ba
元素。gydF4y2Ba
该软件将用于训练的权重规范化,以便gydF4y2Basum (W, omitnan)gydF4y2Ba
是gydF4y2Ba1gydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
XgydF4y2Ba
- - - - - -gydF4y2Ba非标准化预测数据gydF4y2Ba
数字矩阵gydF4y2Ba|gydF4y2Ba表格gydF4y2Ba
用于训练ECOC分类器的非标准化预测器数据,指定为数值矩阵或表格。gydF4y2Ba
每行gydF4y2BaXgydF4y2Ba
对应一个观察结果,每一列对应一个变量。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba表格gydF4y2Ba
YgydF4y2Ba
- - - - - -gydF4y2Ba观察到的类别标签gydF4y2Ba
分类数组gydF4y2Ba|gydF4y2Ba字符数组gydF4y2Ba|gydF4y2Ba逻辑向量gydF4y2Ba|gydF4y2Ba数值向量gydF4y2Ba|gydF4y2Ba字符向量的单元格数组gydF4y2Ba
用于训练ECOC分类器的观察类标签,指定为类别或字符数组、逻辑或数字向量或字符向量的单元格数组。gydF4y2BaYgydF4y2Ba
有gydF4y2BaNumObservationsgydF4y2Ba
元素,并具有与输入参数相同的数据类型gydF4y2BaYgydF4y2Ba
的gydF4y2BafitcecocgydF4y2Ba
.gydF4y2Ba(该软件将字符串数组视为字符向量的单元格数组。)gydF4y2Ba
每行gydF4y2BaYgydF4y2Ba
的对应行所观察的分类gydF4y2BaXgydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba分类gydF4y2Ba
|gydF4y2Ba字符gydF4y2Ba
|gydF4y2Ba逻辑gydF4y2Ba
|gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba细胞gydF4y2Ba
超参数优化属性gydF4y2Ba
HyperparameterOptimizationResultsgydF4y2Ba
- - - - - -gydF4y2Ba超参数的交叉验证优化gydF4y2Ba
BayesianOptimizationgydF4y2Ba
对象gydF4y2Ba|gydF4y2Ba表格gydF4y2Ba
此属性是只读的。gydF4y2Ba
超参数的交叉验证优化,指定为gydF4y2BaBayesianOptimizationgydF4y2Ba
对象或超参数及相关值的表。属性为非空gydF4y2Ba“OptimizeHyperparameters”gydF4y2Ba
在创建模型时,名称-值对参数为非空。的价值gydF4y2BaHyperparameterOptimizationResultsgydF4y2Ba
的设置gydF4y2Ba优化器gydF4y2Ba
在gydF4y2BaHyperparameterOptimizationOptionsgydF4y2Ba
结构。gydF4y2Ba
的价值gydF4y2Ba优化器gydF4y2Ba 场gydF4y2Ba |
的价值gydF4y2BaHyperparameterOptimizationResultsgydF4y2Ba |
---|---|
“bayesopt”gydF4y2Ba (默认)gydF4y2Ba |
类的对象gydF4y2BaBayesianOptimizationgydF4y2Ba |
“gridsearch”gydF4y2Ba 或gydF4y2Ba“randomsearch”gydF4y2Ba |
使用的超参数表,观察到的目标函数值(交叉验证损失),以及从最低(最好)到最高(最差)的观察值排序gydF4y2Ba |
对象的功能gydF4y2Ba
紧凑的gydF4y2Ba |
减少多类纠错输出码(ECOC)模型的尺寸gydF4y2Ba |
compareHoldoutgydF4y2Ba |
比较使用新数据的两种分类模型的准确性gydF4y2Ba |
crossvalgydF4y2Ba |
交叉验证多类纠错输出代码(ECOC)模型gydF4y2Ba |
discard金宝appSupportVectorsgydF4y2Ba |
ECOC模型舍弃金宝app线性SVM二元学习器的支持向量gydF4y2Ba |
边缘gydF4y2Ba |
多类纠错输出码(ECOC)模型的分类边gydF4y2Ba |
收集gydF4y2Ba |
收集属性gydF4y2Ba统计和机器学习工具箱gydF4y2Ba来自GPU的对象gydF4y2Ba |
incrementalLearnergydF4y2Ba |
将多类纠错输出码(ECOC)模型转换为增量学习器gydF4y2Ba |
损失gydF4y2Ba |
多类纠错输出码(ECOC)模型的分类损失gydF4y2Ba |
保证金gydF4y2Ba |
多类纠错输出码(ECOC)模型的分类裕度gydF4y2Ba |
partialDependencegydF4y2Ba |
计算部分依赖关系gydF4y2Ba |
plotPartialDependencegydF4y2Ba |
创建部分依赖图(PDP)和个别条件期望图(ICE)gydF4y2Ba |
预测gydF4y2Ba |
利用多类纠错输出码(ECOC)模型对观测数据进行分类gydF4y2Ba |
resubEdgegydF4y2Ba |
多类纠错输出码(ECOC)模型的再替换分类边gydF4y2Ba |
石灰gydF4y2Ba |
局部可解释模型不可知解释(LIME)gydF4y2Ba |
resubLossgydF4y2Ba |
多类纠错输出码(ECOC)模型的再替换分类损失gydF4y2Ba |
resubMargingydF4y2Ba |
多类纠错输出码(ECOC)模型的重代分类边缘gydF4y2Ba |
resubPredictgydF4y2Ba |
多类纠错输出码(ECOC)模型中的观测数据分类gydF4y2Ba |
沙普利gydF4y2Ba |
沙普利值gydF4y2Ba |
testckfoldgydF4y2Ba |
通过重复交叉验证比较两种分类模型的准确性gydF4y2Ba |
例子gydF4y2Ba
使用SVM学习器训练多类模型gydF4y2Ba
使用支持向量机(SVM)二元学习器训练多类纠错输出代码(ECOC)模型。金宝appgydF4y2Ba
加载费雪的虹膜数据集。指定预测器数据gydF4y2BaXgydF4y2Ba
以及响应数据gydF4y2BaYgydF4y2Ba
.gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2BaX = meas;Y =物种;gydF4y2Ba
使用默认选项训练一个多类ECOC模型。gydF4y2Ba
Mdl = fitcecoc(X,Y)gydF4y2Ba
Mdl = ClassificationECOC ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'setosa' 'versicolor' 'virginica'} ScoreTransform: 'none' BinaryLearners: {3x1 cell} CodingName: 'onevsone'属性,方法gydF4y2Ba
MdlgydF4y2Ba
是一个gydF4y2BaClassificationECOCgydF4y2Ba
模型。默认情况下,gydF4y2BafitcecocgydF4y2Ba
使用SVM二元学习器和一对一编码设计。你可以访问gydF4y2BaMdlgydF4y2Ba
使用点表示法的属性。gydF4y2Ba
显示类名和编码设计矩阵。gydF4y2Ba
Mdl。一会gydF4y2Ba
ans =gydF4y2Ba3 x1细胞gydF4y2Ba{'setosa'} {'versicolor'} {'virginica'}gydF4y2Ba
编码垫= Mdl。CodingMatrixgydF4y2Ba
CodingMat =gydF4y2Ba3×3gydF4y2Ba1 1 0 -1 0 0 -1 -1gydF4y2Ba
针对三个类的一对一编码设计产生三个二进制学习器。的列gydF4y2BaCodingMatgydF4y2Ba
对应于学习器,行对应于类。类的顺序与in的顺序相同gydF4y2BaMdl。一会gydF4y2Ba
.例如,gydF4y2BaCodingMat (: 1)gydF4y2Ba
是gydF4y2Ba(1;1;0]gydF4y2Ba
并表明该软件使用分类为的所有观测值来训练第一个支持向量机二元学习器gydF4y2Ba“setosa”gydF4y2Ba
而且gydF4y2Ba“多色的”gydF4y2Ba
.因为gydF4y2Ba“setosa”gydF4y2Ba
对应于gydF4y2Ba1gydF4y2Ba
,是正类;gydF4y2Ba“多色的”gydF4y2Ba
对应于gydF4y2Ba1gydF4y2Ba
,所以它是负类。gydF4y2Ba
您可以使用单元索引和点表示法访问每个二进制学习器。gydF4y2Ba
Mdl。B我naryLearners{1}第一个二元学习者gydF4y2Ba
ans = CompactClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: [-1 1] ScoreTransform: 'none' Beta: [4x1 double]偏差:1.4505 KernelParameters: [1x1 struct] Properties, MethodsgydF4y2Ba
计算再替换分类误差。gydF4y2Ba
error = resubLoss(Mdl)gydF4y2Ba
误差= 0.0067gydF4y2Ba
训练数据的分类误差很小,但分类器可能是一个过拟合模型。可以使用交叉验证分类器gydF4y2BacrossvalgydF4y2Ba
然后计算交叉验证分类误差。gydF4y2Ba
考察ECOC分类器的二元学习器特性gydF4y2Ba
使用支持向量机二元学习器训练ECOC分类器。然后,利用点表示法访问二元学习器的属性,如估计参数。gydF4y2Ba
加载费雪的虹膜数据集。指定花瓣尺寸作为预测器,指定物种名称作为响应。gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2BaX = meas(:,3:4);Y =物种;gydF4y2Ba
使用SVM二元学习器和默认编码设计(一对一)训练ECOC分类器。标准化预测因子并保存支持向量。金宝appgydF4y2Ba
t = templateSVM(gydF4y2Ba“标准化”gydF4y2Ba,真的,gydF4y2Ba“Save金宝appSupportVectors”gydF4y2Ba,真正的);predictorNames = {gydF4y2Ba“petalLength”gydF4y2Ba,gydF4y2Ba“petalWidth”gydF4y2Ba};responseName =gydF4y2Ba“irisSpecies”gydF4y2Ba;classNames = {gydF4y2Ba“setosa”gydF4y2Ba,gydF4y2Ba“多色的”gydF4y2Ba,gydF4y2Ba“virginica”gydF4y2Ba};gydF4y2Ba指定类别顺序gydF4y2BaMdl = fitcecoc(X,Y,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“ResponseName”gydF4y2BaresponseName,gydF4y2Ba...gydF4y2Ba“PredictorNames”gydF4y2BapredictorNames,gydF4y2Ba“类名”gydF4y2Ba类名)gydF4y2Ba
Mdl = ClassificationECOC PredictorNames: {'petalLength' 'petalWidth'} ResponseName: 'irisSpecies' CategoricalPredictors: [] ClassNames: {'setosa' 'versicolor' 'virginica'} ScoreTransform: 'none' BinaryLearners: {3x1 cell} CodingName: 'onevsone'属性,方法gydF4y2Ba
tgydF4y2Ba
是包含支持向量机分类选项的模板对象。这个函数gydF4y2BafitcecocgydF4y2Ba
为空的(gydF4y2Ba[]gydF4y2Ba
)的属性。gydF4y2BaMdlgydF4y2Ba
是一个gydF4y2BaClassificationECOCgydF4y2Ba
分类器。的属性gydF4y2BaMdlgydF4y2Ba
使用点表示法。gydF4y2Ba
显示类名和编码设计矩阵。gydF4y2Ba
Mdl。一会gydF4y2Ba
ans =gydF4y2Ba3 x1细胞gydF4y2Ba{'setosa'} {'versicolor'} {'virginica'}gydF4y2Ba
Mdl。CodingMatrixgydF4y2Ba
ans =gydF4y2Ba3×3gydF4y2Ba1 1 0 -1 0 0 -1 -1gydF4y2Ba
列对应SVM二元学习器,行对应不同的类。行顺序和gydF4y2Ba一会gydF4y2Ba
的属性gydF4y2BaMdlgydF4y2Ba
.对于每一列:gydF4y2Ba
1gydF4y2Ba
表明gydF4y2BafitcecocgydF4y2Ba
使用对应类中的观察结果作为阳性组的成员来训练SVM。gydF4y2Ba1gydF4y2Ba
表明gydF4y2BafitcecocgydF4y2Ba
使用对应类中的观测值作为阴性组的成员来训练SVM。gydF4y2Ba0gydF4y2Ba
表示支持向量机不使用对应类中的观测值。gydF4y2Ba
例如,在第一个SVM中,gydF4y2BafitcecocgydF4y2Ba
将所有观测值赋给gydF4y2Ba“setosa”gydF4y2Ba
或gydF4y2Ba“多色的”gydF4y2Ba
,但不是gydF4y2Ba“virginica”gydF4y2Ba
.gydF4y2Ba
使用单元格下标和点表示法访问svm的属性。存储每个支持向量机的标准化支持向量。金宝app对支持向量进行非标准化。金宝appgydF4y2Ba
L = size(Mdl.CodingMatrix,2);gydF4y2Ba%支持向量机个数gydF4y2Basv = cell(L,1);gydF4y2Ba为支持向量指数预分配金宝appgydF4y2Ba为gydF4y2Baj = 1:L SVM = mld . binarylearners {j};sv{j} = SVM.金宝appSupportVectors;sv{j} = sv{j}.*支持向量机。Sigma + SVM.Mu;gydF4y2Ba结束gydF4y2Ba
svgydF4y2Ba
是包含支持向量机的非标准化支持向量的矩阵单元阵列。金宝appgydF4y2Ba
绘制数据,并确定支持向量。金宝appgydF4y2Ba
图gscatter (X (: 1), (:, 2), Y);持有gydF4y2Ba在gydF4y2Ba标记= {gydF4y2Ba“柯”gydF4y2Ba,gydF4y2Ba“罗”gydF4y2Ba,gydF4y2Ba“波”gydF4y2Ba};gydF4y2Ba%的长度应该是LgydF4y2Ba为gydF4y2Baj = 1:L svs = sv{j};情节(sv (: 1), sv(:, 2),标记{j},gydF4y2Ba...gydF4y2Ba“MarkerSize”gydF4y2Ba,10 + (j - 1)*3);gydF4y2Ba结束gydF4y2Ba标题(gydF4y2Ba“费希尔的虹膜——ECOC支持载体”金宝appgydF4y2Ba) xlabel(predictorNames{1}) ylabel(predictorNames{2}) legend([classNames,{gydF4y2Ba支金宝app持向量-支持向量机1gydF4y2Ba,gydF4y2Ba...gydF4y2Ba支金宝app持向量- SVM 2gydF4y2Ba,gydF4y2Ba支金宝app持向量-支持向量机3gydF4y2Ba}),gydF4y2Ba...gydF4y2Ba“位置”gydF4y2Ba,gydF4y2Ba“最佳”gydF4y2Ba)举行gydF4y2Ba从gydF4y2Ba
你可以通过gydF4y2BaMdlgydF4y2Ba
对这些功能:gydF4y2Ba
预测gydF4y2Ba
,对新观测结果进行分类gydF4y2BaresubLossgydF4y2Ba
,来估计训练数据的分类误差gydF4y2BacrossvalgydF4y2Ba
,进行10倍交叉验证gydF4y2Ba
交叉验证ECOC分类器gydF4y2Ba
对ECOC分类器与SVM二元学习器进行交叉验证,并估计广义分类误差。gydF4y2Ba
加载费雪的虹膜数据集。指定预测器数据gydF4y2BaXgydF4y2Ba
以及响应数据gydF4y2BaYgydF4y2Ba
.gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2BaX = meas;Y =物种;rng (1);gydF4y2Ba%用于再现性gydF4y2Ba
创建SVM模板,并标准化预测器。gydF4y2Ba
t = templateSVM(gydF4y2Ba“标准化”gydF4y2Ba,真正的)gydF4y2Ba
t =拟合分类支持向量机模板。Alpha: [0x1 double] BoxConstraint: [] CacheSize: [] CachingMethod: " ClipAlphas: [] DeltaGradientTolerance: [] Epsilon: [] GapTolerance: [] kkttolance: [] IterationLimit: [] KernelFunction: " KernelScale: [] KernelOffset: [] kernelpoliialorder: [] NumPrint: [] Nu: [] OutlierFraction: [] removeduplicate: [] ShrinkagePeriod: [] Solver: " StandardizeData: 1 SaveSupportVe金宝appctors: [] VerbosityLevel: [] Version: 2 Method: 'SVM' Type: 'classification'gydF4y2Ba
tgydF4y2Ba
为支持向量机模板。大多数模板对象属性是空的。在训练ECOC分类器时,软件将适用的属性设置为默认值。gydF4y2Ba
训练ECOC分类器,并指定分类顺序。gydF4y2Ba
Mdl = fitcecoc(X,Y,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba...gydF4y2Ba“类名”gydF4y2Ba, {gydF4y2Ba“setosa”gydF4y2Ba,gydF4y2Ba“多色的”gydF4y2Ba,gydF4y2Ba“virginica”gydF4y2Ba});gydF4y2Ba
MdlgydF4y2Ba
是一个gydF4y2BaClassificationECOCgydF4y2Ba
分类器。您可以使用点表示法访问它的属性。gydF4y2Ba
旨在gydF4y2BaMdlgydF4y2Ba
使用10倍交叉验证。gydF4y2Ba
CVMdl = crossval(Mdl);gydF4y2Ba
CVMdlgydF4y2Ba
是一个gydF4y2BaClassificationPartitionedECOCgydF4y2Ba
交叉验证ECOC分类器。gydF4y2Ba
估计广义分类误差。gydF4y2Ba
genError = kfoldLoss(cvdl)gydF4y2Ba
genError = 0.0400gydF4y2Ba
广义分类误差为4%,说明ECOC分类器泛化效果较好。gydF4y2Ba
更多关于gydF4y2Ba
纠错输出代码模型gydF4y2Ba
一个gydF4y2Ba纠错输出码(ECOC)模型gydF4y2Ba将三个或更多类的分类问题简化为一组二元分类问题。gydF4y2Ba
ECOC分类需要一个编码设计,它决定了二进制学习者训练的类,以及一个解码方案,它决定了二进制分类器的结果(预测)如何聚合。gydF4y2Ba
假设:gydF4y2Ba
分类问题有三类。gydF4y2Ba
编码设计是一对一的。对于三个类,此编码设计为gydF4y2Ba
属性可以指定不同的编码设计gydF4y2Ba
编码gydF4y2Ba
创建分类模型时的名称-值参数。gydF4y2Ba该模型采用带二进制损失函数的损失加权译码方案确定预测类别gydF4y2BaggydF4y2Ba.该软件还支持基于损失的解码方案。金宝app方法指定解码方案和二进制损耗函数gydF4y2Ba
解码gydF4y2Ba
而且gydF4y2BaBinaryLossgydF4y2Ba
在调用对象函数时,分别调用名称-值参数,例如gydF4y2Ba预测gydF4y2Ba
,gydF4y2Ba损失gydF4y2Ba
,gydF4y2Ba保证金gydF4y2Ba
,gydF4y2Ba边缘gydF4y2Ba
等等。gydF4y2Ba
ECOC算法遵循以下步骤。gydF4y2Ba
学习者1根据第1班或第2班的观察结果进行训练,并将第1班视为积极的班级,将第2班视为消极的班级。其他学习者也接受类似的训练。gydF4y2Ba
让gydF4y2Ba米gydF4y2Ba以元素为编码设计矩阵gydF4y2Ba米gydF4y2Ba吉隆坡gydF4y2Ba,gydF4y2Ba年代gydF4y2BalgydF4y2Ba为积极类学习者的预测分类分数gydF4y2BalgydF4y2Ba.算法将一个新的观测值赋给类(gydF4y2Ba ),以尽量减少损失的总和gydF4y2BaBgydF4y2Ba二进制的学习者。gydF4y2Ba
与其他多类模型相比,ECOC模型可以提高分类精度gydF4y2Ba[1]gydF4y2Ba.gydF4y2Ba
编码设计gydF4y2Ba
的gydF4y2Ba编码设计gydF4y2Ba是一个矩阵,它的元素指导每个二元学习器训练哪些类,即如何将多类问题简化为一系列二元问题。gydF4y2Ba
编码设计的每行对应一个不同的类,每列对应一个二元学习器。在三元编码设计中,对于一个特定的列(或二元学习器):gydF4y2Ba
包含1的行指示二元学习器将对应类中的所有观察数据分组为正类。gydF4y2Ba
包含-1的行指示二元学习器将对应类中的所有观察数据分组为负类。gydF4y2Ba
包含0的行指示二元学习器忽略对应类中的所有观察值。gydF4y2Ba
编码设计矩阵与大,最小,成对行距离基于汉明测度是最优的。有关成对行距离的详细信息,请参见gydF4y2Ba随机编码设计矩阵gydF4y2Ba而且gydF4y2Ba[2]gydF4y2Ba.gydF4y2Ba
该表描述了流行的编码设计。gydF4y2Ba
编码设计gydF4y2Ba | 描述gydF4y2Ba | 学习人数gydF4y2Ba | 最小成对行距离gydF4y2Ba |
---|---|---|---|
one-versus-all(卵子)gydF4y2Ba | 对于每个二元学习者,一个类是正的,其余的是负的。这种设计用尽了所有积极的课堂作业组合。gydF4y2Ba | KgydF4y2Ba | 2gydF4y2Ba |
one-versus-one(蛋)gydF4y2Ba | 对于每个二元学习器,一个类是正的,一个类是负的,其余的被忽略。这种设计耗尽了类对赋值的所有组合。gydF4y2Ba | KgydF4y2Ba(gydF4y2BaKgydF4y2Ba- 1) / 2gydF4y2Ba |
1gydF4y2Ba |
二进制文件完成gydF4y2Ba | 这种设计将类划分为所有的二进制组合,并且不忽略任何类。也就是说,所有的课堂作业都是gydF4y2Ba |
2gydF4y2BaKgydF4y2Ba- 1gydF4y2Ba- 1gydF4y2Ba | 2gydF4y2BaKgydF4y2Ba- 2gydF4y2Ba |
三元完成gydF4y2Ba | 这种设计将类划分为所有三元组合。也就是说,所有的课堂作业都是gydF4y2Ba |
(3gydF4y2BaKgydF4y2Ba- 2gydF4y2BaKgydF4y2Ba+ 1gydF4y2Ba+ 1) / 2gydF4y2Ba |
3.gydF4y2BaKgydF4y2Ba- 2gydF4y2Ba |
序数gydF4y2Ba | 对于第一个二元学习者,第一堂课是负的,其余的都是正的。对于第二个二元学习者,前两类为负,其余为正,依此类推。gydF4y2Ba | KgydF4y2Ba- 1gydF4y2Ba | 1gydF4y2Ba |
密集的随机gydF4y2Ba | 对于每个二元学习者,软件随机将班级分为正类或负类,每种类型至少有一个。详情请参见gydF4y2Ba随机编码设计矩阵gydF4y2Ba.gydF4y2Ba | 随机的,但大约是10loggydF4y2Ba2gydF4y2BaKgydF4y2Ba |
变量gydF4y2Ba |
稀疏随机gydF4y2Ba | 对于每个二元学习器,软件随机地将类别分配为正或负,每个类别的概率为0.25,并忽略概率为0.5的类别。详情请参见gydF4y2Ba随机编码设计矩阵gydF4y2Ba.gydF4y2Ba | 随机的,但大约是15loggydF4y2Ba2gydF4y2BaKgydF4y2Ba |
变量gydF4y2Ba |
该图比较了编码设计的二进制学习器的数量与增加gydF4y2BaKgydF4y2Ba.gydF4y2Ba
算法gydF4y2Ba
随机编码设计矩阵gydF4y2Ba
对于给定数量的类gydF4y2BaKgydF4y2Ba,软件生成随机编码设计矩阵如下所示。gydF4y2Ba
软件生成以下矩阵之一:gydF4y2Ba
密集随机-软件以相等的概率为每个元素分配1或- 1gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BalgydF4y2BadgydF4y2Ba编码设计矩阵,其中gydF4y2Ba .gydF4y2Ba
稀疏随机-软件为元素的每个元素赋值1gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BalgydF4y2Ba年代gydF4y2Ba编码设计矩阵的概率为0.25,-1的概率为0.25,0的概率为0.5,其中gydF4y2Ba .gydF4y2Ba
如果一列不包含至少一个1和一个-1,那么软件将删除该列。gydF4y2Ba
对于不同的列gydF4y2BaugydF4y2Ba而且gydF4y2BavgydF4y2Ba,如果gydF4y2BaugydF4y2Ba=gydF4y2BavgydF4y2Ba或gydF4y2BaugydF4y2Ba= -gydF4y2BavgydF4y2Ba,然后软件删除gydF4y2BavgydF4y2Ba从编码设计矩阵。gydF4y2Ba
软件默认随机生成10,000个矩阵,并根据汉明测度(gydF4y2Ba[2]gydF4y2Ba)由gydF4y2Ba
在哪里gydF4y2Ba米gydF4y2BakgydF4y2BajgydF4y2BalgydF4y2Ba编码是设计矩阵的一个元素吗gydF4y2BajgydF4y2Ba.gydF4y2Ba
金宝app支持向量存储gydF4y2Ba
默认情况下,为了提高效率,gydF4y2BafitcecocgydF4y2Ba
清空了gydF4y2BaαgydF4y2Ba
,gydF4y2Ba金宝appSupportVectorLabelsgydF4y2Ba
,gydF4y2Ba金宝appSupportVectorsgydF4y2Ba
所有线性支持向量机二元学习器的特性。gydF4y2BafitcecocgydF4y2Ba
列表gydF4y2BaβgydF4y2Ba
,而不是gydF4y2BaαgydF4y2Ba
,在模型中显示。gydF4y2Ba
来存储gydF4y2BaαgydF4y2Ba
,gydF4y2Ba金宝appSupportVectorLabelsgydF4y2Ba
,gydF4y2Ba金宝appSupportVectorsgydF4y2Ba
,将指定存储支持向量的线性SVM模板传递给金宝appgydF4y2BafitcecocgydF4y2Ba
.例如,输入:gydF4y2Ba
t = templateSVM(gydF4y2Ba“Save金宝appSupportVectors”gydF4y2Ba,true) Mdl = fitcecoc(X,Y,gydF4y2Ba“学习者”gydF4y2Bat);gydF4y2Ba
您可以通过传递结果来删除支持向量和相关金宝app值gydF4y2BaClassificationECOCgydF4y2Ba
模型gydF4y2Badiscard金宝appSupportVectorsgydF4y2Ba
.gydF4y2Ba
选择功能gydF4y2Ba
你可以使用这些替代算法来训练一个多类模型:gydF4y2Ba
分类ensembles-seegydF4y2Ba
fitcensemblegydF4y2Ba
而且gydF4y2BaClassificationEnsemblegydF4y2Ba
分类trees-seegydF4y2Ba
fitctreegydF4y2Ba
而且gydF4y2BaClassificationTreegydF4y2Ba
判别分析分类器gydF4y2Ba
fitcdiscrgydF4y2Ba
而且gydF4y2BaClassificationDiscriminantgydF4y2Ba
kgydF4y2Ba-最近邻分类器-见gydF4y2Ba
fitcknngydF4y2Ba
而且gydF4y2BaClassificationKNNgydF4y2Ba
朴素贝叶斯分类器gydF4y2Ba
fitcnbgydF4y2Ba
而且gydF4y2BaClassificationNaiveBayesgydF4y2Ba
参考文献gydF4y2Ba
[1] Fürnkranz,约翰内斯。“循环式分类。”gydF4y2Baj·马赫。学习。Res。gydF4y2Ba, Vol. 2, 2002, pp. 721-747。gydF4y2Ba
[2] Escalera, S., O. Pujol, P. Radeva。纠错输出码的稀疏设计的三进制码的可分性。gydF4y2BaRecog模式。列托人。gydF4y2Ba, 2009年第3期,第30卷,页285-297。gydF4y2Ba
扩展功能gydF4y2Ba
C/ c++代码生成gydF4y2Ba
使用MATLAB®Coder™生成C和c++代码。gydF4y2Ba
使用注意事项和限制:gydF4y2Ba
的gydF4y2Ba
预测gydF4y2Ba
而且gydF4y2Ba更新gydF4y2Ba
函数支持代码生成。金宝appgydF4y2Ba当你训练ECOC模型时使用gydF4y2Ba
fitcecocgydF4y2Ba
,则适用以下限制。gydF4y2Ba所有二元学习器必须是支持向量机分类器或线性分类模型。为gydF4y2Ba
学习者gydF4y2Ba
参数,您可以指定:gydF4y2Ba“支持向量机”gydF4y2Ba
或gydF4y2Ba“线性”gydF4y2Ba
SVM模板对象或此类对象的单元格数组(参见gydF4y2Ba
templateSVMgydF4y2Ba
)gydF4y2Ba线性分类模型模板对象或此类对象的单元格数组(参见gydF4y2Ba
templateLineargydF4y2Ba
)gydF4y2Ba
当您使用编码器配置器生成代码时gydF4y2Ba
预测gydF4y2Ba
而且gydF4y2Ba更新gydF4y2Ba
,以下附加限制适用于二元学习器。gydF4y2Ba如果使用SVM模板对象的单元格数组,则gydF4y2Ba
标准化gydF4y2Ba
对于SVM学习器必须是一致的。例如,如果您指定gydF4y2Ba“标准化”,真的gydF4y2Ba
对于一个SVM学习器,必须为所有SVM学习器指定相同的值。gydF4y2Ba如果使用SVM模板对象的单元格数组,并且使用一个具有线性核的SVM学习器(gydF4y2Ba
“KernelFunction”、“线性”gydF4y2Ba
)和另一个不同类型的内核函数,则必须指定gydF4y2Ba
对于线性核的学习器。gydF4y2Ba“Save金宝appSupportVectors”gydF4y2Ba
,真正的gydF4y2Ba
详细信息请参见gydF4y2Ba
ClassificationECOCCoderConfigurergydF4y2Ba
.有关在重新训练模型时不能修改的名称-值参数的信息,请参见gydF4y2Ba提示gydF4y2Ba.gydF4y2BaSVM分类器和线性分类模型的代码生成限制也适用于ECOC分类器,这取决于二元学习器的选择。详情请参见gydF4y2Ba代码生成gydF4y2Ba的gydF4y2Ba
CompactClassificationSVMgydF4y2Ba
类和gydF4y2Ba代码生成gydF4y2Ba的gydF4y2BaClassificationLineargydF4y2Ba
类。gydF4y2Ba
有关更多信息,请参见gydF4y2Ba代码生成简介gydF4y2Ba.gydF4y2Ba
GPU数组gydF4y2Ba
通过使用并行计算工具箱™在图形处理单元(GPU)上运行来加速代码。gydF4y2Ba
使用注意事项和限制:gydF4y2Ba
以下对象函数完全支持GPU阵列:金宝appgydF4y2Ba
以下对象函数对GPU阵列提供有限的支持:金宝appgydF4y2Ba
如果满足以下条件之一,对象函数将在GPU上执行:gydF4y2Ba
该模型采用GPU阵列进行拟合。gydF4y2Ba
传递给对象函数的预测器数据是一个GPU数组。gydF4y2Ba
有关更多信息,请参见gydF4y2Ba在图形处理器上运行MATLAB函数gydF4y2Ba(并行计算工具箱)gydF4y2Ba.gydF4y2Ba
版本历史gydF4y2Ba
在R2014b中引入gydF4y2Ba
另请参阅gydF4y2Ba
fitcecocgydF4y2Ba
|gydF4y2BaCompactClassificationECOCgydF4y2Ba
|gydF4y2BaClassificationPartitionedECOCgydF4y2Ba
|gydF4y2BafitcsvmgydF4y2Ba
MATLAB命令gydF4y2Ba
你点击了一个对应于这个MATLAB命令的链接:gydF4y2Ba
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝appgydF4y2Ba
选择网站gydF4y2Ba
选择一个网站,在可用的地方获得翻译的内容,并查看当地的活动和优惠。根据您所在的位置,我们建议您选择:gydF4y2Ba.gydF4y2Ba
您也可以从以下列表中选择一个网站:gydF4y2Ba
如何获得最佳的网站性能gydF4y2Ba
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。gydF4y2Ba
美洲gydF4y2Ba
- 美国拉丁gydF4y2Ba(西班牙语)gydF4y2Ba
- 加拿大gydF4y2Ba(英语)gydF4y2Ba
- 美国gydF4y2Ba(英语)gydF4y2Ba
欧洲gydF4y2Ba
- 比利时gydF4y2Ba(英语)gydF4y2Ba
- 丹麦gydF4y2Ba(英语)gydF4y2Ba
- 德国gydF4y2Ba(德语)gydF4y2Ba
- 西班牙gydF4y2Ba(西班牙语)gydF4y2Ba
- 芬兰gydF4y2Ba(英语)gydF4y2Ba
- 法国gydF4y2Ba(法语)gydF4y2Ba
- 爱尔兰gydF4y2Ba(英语)gydF4y2Ba
- 意大利gydF4y2Ba(意大利语)gydF4y2Ba
- 卢森堡gydF4y2Ba(英语)gydF4y2Ba
- 荷兰gydF4y2Ba(英语)gydF4y2Ba
- 挪威gydF4y2Ba(英语)gydF4y2Ba
- 奥地利gydF4y2Ba(德语)gydF4y2Ba
- 葡萄牙gydF4y2Ba(英语)gydF4y2Ba
- 瑞典gydF4y2Ba(英语)gydF4y2Ba
- 瑞士gydF4y2Ba
- 联合王国gydF4y2Ba(英语)gydF4y2Ba
亚太地区gydF4y2Ba
- 澳大利亚gydF4y2Ba(英语)gydF4y2Ba
- 印度gydF4y2Ba(英语)gydF4y2Ba
- 新西兰gydF4y2Ba(英语)gydF4y2Ba
- 中国gydF4y2Ba
- 日本gydF4y2Ba(日本語)gydF4y2Ba
- 한국gydF4y2Ba(한국어)gydF4y2Ba