拟合支持向量机分类器的后验概率金宝app
返回一个训练过的支持向量机分类器金宝appScoreSVMModel
= fitPosterior (SVMModel
)ScoreSVMModel
包含两类学习的最优得分-后验概率变换函数。有关详细信息,请参见算法.
[
另外,返回最优的得分后验概率转换函数参数。ScoreSVMModel
,ScoreTransform
) = fitPosterior (SVMModel
)
[
使用由一个或多个名称-值对参数指定的附加选项。例如,您可以指定折叠的数量或坚守样品的比例。ScoreSVMModel
,ScoreTransform
) = fitPosterior (SVMModel
,名称,值
)
这个过程描述了一种预测正类后验概率的方法。
通过传递数据来训练SVM分类器fitcsvm
.结果是一个训练的SVM分类器,如SVMModel
,用来存储数据。软件设置分数变换函数属性(SVMModel。ScoreTransformation
)没有一个
.
通过训练的SVM分类器SVMModel
来fitSVMPosterior
或fitPosterior
.结果,如:ScoreSVMModel
,与训练的SVM分类器相同SVMModel
,除了软件集ScoreSVMModel。ScoreTransformation
的最优积分变换函数。
通过预测器数据矩阵和包含最优分数变换函数的训练SVM分类器(ScoreSVMModel
)预测
.的第二个输出参数中的第二列预测
存储预测器数据矩阵每一行对应的正类后验概率。
如果你跳过第二步,那么预测
返回正的类别得分,而不是正的类别后验概率。
在拟合后验概率之后,您可以生成C/ c++代码来预测新数据的标签。生成C/ c++代码需要<年代pan class="entity">MATLAB<年代up>®编码器™.有关详细信息,请参见代码生成简介.
该软件利用支持向量机分类器拟合出合适的得分-后验概率转换函数SVMModel
通过使用存储的预测数据进行10倍交叉验证(SVMModel。X
)和类标签(SVMModel。Y
)[1].变换函数计算观察被归入正类的后验概率(SVMModel.Classnames (2)
).
如果您重新估计得分后验概率转换函数,也就是说,如果您将一个SVM分类器传递给fitPosterior
或fitSVMPosterior
和它的ScoreTransform
属性是不没有一个
,则软件:
显示一个警告
将原来的转换函数重置为“没有”
在估计新的情况之前
你也可以用fitSVMPosterior
.这个函数类似于fitPosterior
,但它更广泛,因为它接受更广泛的SVM分类器类型。
[1] Platt, J.“支持向量机的概率输出和与正则似然方法的比较。”金宝app大裕度分类器的进展.麻省理工学院出版社,2000年,61-74页。
ClassificationSVM
|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">预测
|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">fitSVMPosterior
|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">fitcsvm