分类VM

金宝app支持向量机（SVM）用于单级和二进制分类

全部展开页面

描述

分类VM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。训练有素的分类VM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。使用这些分类器执行任务，例如将分数拟合到后验概率变换函数（参见金宝appFitleDosterior.)和预测新数据的标签(见预测）.

创造

创建一个分类VM通过使用fitcsvm.．

属性

展开全部

支持向量机特性

`α`- - - - - -训练分类器系数
数字矢量

此属性是只读的。

训练有素的分类器系数，指定为一个年代-乘以1的数值向量。年代为所训练分类器中支持向量的个数，金宝app总和(Mdl.IsS金宝appupportVector)．

α包含对偶问题中经过训练的分类器系数，即估计的拉格朗日乘数。如果使用删除的名称-值对参数fitcsvm.，那么对于给定的一组重复观测，这些观测是支持向量，金宝appα包含一个对应于整个集合的系数。也就是说，MATLAB^®将非零系数赋给从一组重复数据中得到的一个观测值，并将系数赋给0集合中的所有其他重复观测。

数据类型：单|双重的

`bet`- - - - - -线性预测器系数
数字矢量

此属性是只读的。

线性预测系数，指定为数值向量。的长度bet等于用于训练模型的预测器的数量。

MATLAB使用全伪编码扩展了预测器数据中的分类变量。也就是说，MATLAB为每个分类变量的每个级别创建一个虚拟变量。bet为每个预测变量(包括虚拟变量)存储一个值。例如，如果有三个预测因子，其中一个是有三个层次的分类变量，那么bet是包含五个值的数字向量。

如果核参数函数是“线性”，然后分类评分进行观察x是

$f （ x ）＝（ x / 年代） ” β + b ．$

Mdl店β，b,年代在物业中bet，偏见,核参数。比例分别地

要手动估计分类分数，必须首先对培训期间应用的预测值数据应用任何转换。具体来说，如果您指定“标准化”,真的当使用fitcsvm.，然后您必须通过使用均值来手动标准化预测器数据Mdl。亩和标准差Mdl。σ，然后通过内核缩放划分结果Mdl.KernelParameters.Scale．

支持向量机的所有函数，如resubPredict和预测，在评估之前应用任何需要的转换。

如果核参数函数不是“线性”,然后bet是空的([]）.

数据类型：单|双重的

`偏见`- - - - - -偏差项
标量

此属性是只读的。

偏置项，指定为标量。

数据类型：单|双重的

`箱约束`- - - - - -框约束
数字矢量

此属性是只读的。

框约束，指定为数字矢量n-by-1箱约束．n是训练数据中的观察次数（参见NumObservations财产）。

如果使用使用的删除重复项删除的名称-值对参数fitcsvm.然后，对于给定的一组重复观察，MATLAB总和框约束，然后将总和属性属于一个观察。matlab属于框限制0所有其他的观察结果。

数据类型：单|双重的

`cacheinfo.`- - - - - -缓存信息
结构阵列

此属性是只读的。

缓存信息，指定为结构数组。缓存信息包含本表中描述的字段。

场	描述
大小	软件用于训练SVM分类器的缓存大小(以MB为单位)。有关详细信息,请参见`'缓存'`．
算法	优化期间软件使用的缓存算法。目前，唯一可用的缓存算法是`队列`．您无法设置缓存算法。

显示的字段cacheinfo.通过使用点符号。例如,mdl.cacheinfo.size.显示缓存大小的值。

数据类型：结构体

`Is金宝appSupportVector`- - - - - -金宝app支持向量指标
逻辑向量

此属性是只读的。

金宝app支持向量指示符，指定为n-1逻辑向量标志是否在预测器数据矩阵中的相应观察是一个金宝app支持向量机．n是培训数据中的观测数量（见NumObservations）.

如果使用使用的删除重复项删除的名称-值对参数fitcsvm.，那么对于给定的一组重复观测，这些观测是支持向量，金宝appIs金宝appSupportVector仅标记一个观测值作为支持向量。金宝app

数据类型：逻辑

`KernelParameters`- - - - - -内核参数
结构阵列

此属性是只读的。

内核参数，指定为结构数组。内核参数属性包含该表中列出的字段。

场	描述
功能	用于计算格拉姆矩阵. 有关详细信息，请参阅`'骨箱'`．
规模	核比例参数，用于缩放模型训练所依据的预测数据的所有元素。有关详细信息，请参阅`“内核尺度”`．

的值KernelParameters，使用点表示法。例如Mdl.KernelParameters.Scale显示内核比例参数值。

软件接受KernelParameters作为输入，不会修改它们。

数据类型：结构体

`nu.`- - - - - -看到下面成了学习参数
正标量

此属性是只读的。

一流的学习范围ν，指定为正标量。

数据类型：单|双重的

`OutlierFraction`- - - - - -异常值的比例
数值标量

此属性是只读的。

训练数据中异常值的比例，指定为数值标量。

数据类型：双重的

`求解器`- - - - - -优化常规
`ISDA的`|`“L1QP”`|`SMO的`

此属性是只读的。

用于训练SVM分类器的优化例程，指定为ISDA的，“L1QP”,或SMO的．有关更多详细信息，请参阅“规划求解”．

`金宝appSupportVectorLabels`- - - - - -金宝app支持矢量类标签
年代1数字矢量

此属性是只读的。

金宝app支持向量类标签，指定为年代-乘以1的数值向量。年代为所训练分类器中支持向量的个数，金宝app总和(Mdl.IsS金宝appupportVector)．

的值＋１在金宝appSupportVectorLabels表示对应的支持向量属于正类(金宝appClassNames {2}）.的值–1表示相应的支持向量位于负类（金宝app类名{1}）.

如果使用使用的删除重复项删除的名称-值对参数fitcsvm.，那么对于给定的一组重复观测，这些观测是支持向量，金宝app金宝appSupportVectorLabels包含一个独特的支持向量标签。金宝app

数据类型：单|双重的

`金宝appSupportVectors`- - - - - -金宝app支持向量
年代-借-p数字矩阵

此属性是只读的。

金宝app培训分类器中的支持向量，指定为一个年代-借-p数字矩阵。年代为所训练分类器中支持向量的个数，金宝app总和(Mdl.IsS金宝appupportVector),p为预测数据中预测变量的个数。

金宝appSupportVectors包含预测数据行XMATLAB考虑支持向量。金宝app如果您指定“标准化”,真的在训练SVM分类器时使用fitcsvm.,然后金宝appSupportVectors的标准化行X．

如果使用使用的删除重复项删除的名称-值对参数fitcsvm.，那么对于给定的一组重复观测，这些观测是支持向量，金宝app金宝appSupportVectors包含一个唯一的支持向量。金宝app

数据类型：单|双重的

其他分类属性

`分类预测因子`- - - - - -分类预测索引
正整数向量|`[]`

此属性是只读的。

分类预测指标，指定为一个正整数向量。分类预测因子包含与包含分类预测器的预测器数据列对应的索引值。如果没有任何预测器是绝对的，则此属性为空([]）.

数据类型：双重的

`一会`- - - - - -独特的类标签
分类数组|字符阵列|逻辑向量|数字矢量|字符向量单元数组

此属性是只读的。

在培训中使用的唯一类标签，指定为分类或字符阵列，逻辑或数字矢量或字符向量的单元格数组。一会具有与类标签相同的数据类型Y．(该软件将字符串数组视为字符向量的单元格数组。)一会也决定了类的顺序。

数据类型：单|双重的|逻辑|烧焦|细胞|分类

`成本`- - - - - -误分类成本
数字方形矩阵

此属性是只读的。

错误分类成本，指定为数字矩阵，其中成本(i, j)将一个点分类的成本是多少j如果它的真实课程是我．

在培训期间，软件通过合并成本矩阵中描述的惩罚来更新先前的概率。

对两种学习,成本总是有这种形式:成本(i, j) = 1如果i~=j,成本(i, j) = 0如果我=我. 行对应于真实类，列对应于预测类。的行和列的顺序成本中类的顺序一会．
看到下面成了学习,成本= 0．

有关更多详细信息，请参阅算法．

数据类型：双重的

`ExpandedPredictorNames.`- - - - - -扩展预测仪名称
字符向量单元数组

此属性是只读的。

扩展的预测器名称，指定为字符向量的单元格数组。

如果模型使用虚拟变量编码的虚拟变量，那么ExpandedPredictorNames.包括描述展开变量的名称。否则,，ExpandedPredictorNames.是一样的预测．

数据类型：细胞

`坡度`- - - - - -训练数据梯度值
数字矢量

此属性是只读的。

训练数据梯度值，指定为数值向量。长度坡度等于观测次数(NumObservations）.

数据类型：单|双重的

`ModelParameters`- - - - - -用于训练模型的参数
对象

此属性是只读的。

用于训练的参数分类VM模型，指定为对象。ModelParameters包含参数值，例如用于训练SVM分类器的名称-值对参数值。ModelParameters不包含估计参数。

访问ModelParameters通过使用点表示法。例如，访问初始值以进行估算α通过使用mdl.modelparameters.alpha.．

`亩`- - - - - -预测的手段
数字矢量|`[]`

此属性是只读的。

预测器表示，指定为数值向量。如果您指定“标准化”，1或“标准化”,真的当你使用fitcsvm.，然后是长度亩等于预测器的数量。

MATLAB使用全伪编码扩展了预测器数据中的分类变量。也就是说，MATLAB为每个分类变量的每个级别创建一个虚拟变量。亩为每个预测变量（包括虚拟变量）存储一个值。但是，MATLAB没有标准化包含分类变量的列。

如果你设置了“标准化”，错当您使用fitcsvm.,然后亩为空向量([]）.

数据类型：单|双重的

`NumObservations`- - - - - -观察次数
数值标量

此属性是只读的。

存储在中的训练数据中的观察数X和Y，指定为数值标量。

数据类型：双重的

`预测`- - - - - -预测器变量名
字符向量单元数组

此属性是只读的。

预测器变量名，指定为字符向量的单元格数组。元素的顺序预测对应于预测器名称在训练数据中出现的顺序。

数据类型：细胞

`之前`- - - - - -事前机率
数字矢量

此属性是只读的。

每个类的先验概率，指定为数字向量。元素的顺序之前对应的元素mdl.classnames.．

对于两类学习，如果你指定一个成本矩阵，软件就会通过合并成本矩阵中描述的惩罚来更新先验概率。

有关更多详细信息，请参阅算法．

数据类型：单|双重的

`ResponseName`- - - - - -响应变量名称
特征向量

此属性是只读的。

响应变量名称，指定为字符向量。

数据类型：烧焦

`RowsUsed`- - - - - -装配中使用的行
`[]`|逻辑向量

此属性是只读的。

用于拟合的原始训练数据行分类VM模型，指定为逻辑向量。如果使用所有行，此属性为空。

数据类型：逻辑

`scoretransform.`- - - - - -分数转换
特征向量|函数处理

分数转换，指定为字符向量或功能句柄。scoretransform.表示用于转换预测分类分数的内置转换函数或函数句柄。

将分数转换函数改为功能，例如，使用点表示法。

对于内置函数，请输入字符向量。

Mdl。ScoreTransform = '功能”;

此表介绍了可用的内置功能。

价值	描述
`'doublelogit'`	1 /（1 +e^–2x）
`“因弗罗吉特”`	日志(x/（1 -x））
`“ismax”`	将具有最大分数的类设置为1的分数，并将所有其他类的分数设置为0
`分对数的`	1 /（1 +e^{- - - - - -x}）
`“没有”`或`“身份”`	x（没有转型）
`“标志”`	-1 for.x< 0 0代表x= 0 1为x> 0
`“对称”`	2x– 1
`“symmetricismax”`	将具有最大分数为1的类设置分数，并将所有其他类的分数设置为-1
`'symmetriclogit'`	2 / (1 +e^{- - - - - -x}) - 1

对于MATLAB函数或您定义的函数，输入其函数句柄。
```
Mdl。ScoreTransform = @功能；
```
功能必须接受矩阵（原始分数）并返回相同大小的矩阵（转换的分数）。

数据类型：烧焦|function_handle

`σ`- - - - - -预测标准偏差
`[]`(默认)|数字矢量

此属性是只读的。

预测标准偏差，指定为数字矢量。

如果您指定“标准化”,真的当您使用fitcsvm.，然后是长度σ等于预测变量的个数。

MATLAB使用全伪编码扩展了预测器数据中的分类变量。也就是说，MATLAB为每个分类变量的每个级别创建一个虚拟变量。σ为每个预测变量（包括虚拟变量）存储一个值。但是，MATLAB没有标准化包含分类变量的列。

如果你设置了“标准化”，错当您使用fitcsvm.,然后σ为空向量([]）.

数据类型：单|双重的

`W`- - - - - -观察权重
数字矢量

此属性是只读的。

用于训练SVM分类器的观测权重，指定为n-乘以1的数值向量。n是观察人数（见NumObservations）.

fitcsvm.规范化中规定的观察权重“重量”名称-值对参数，以便W在特定类中，总结该类的先前概率。

数据类型：单|双重的

`X`- - - - - -解体的预测因子
数字矩阵|表格

此属性是只读的。

用于训练SVM分类器的非标准化预测器，指定为一个数字矩阵或表。

每一排X对应一个观察值，每列对应一个变量。

MATLAB排除至少包含一个缺失值的观测值，并从中删除相应的元素Y．

数据类型：单|双重的

`Y`- - - - - -类标签
分类数组|字符阵列|逻辑向量|数字矢量|字符向量单元数组

此属性是只读的。

用于训练SVM分类器的类标签，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数组。Y是否与输入参数相同的数据类型Y的fitcsvm.．(该软件将字符串数组视为字符向量的单元格数组。)

每一排Y表示观察到的相应行分类X．

MATLAB排除包含缺失值的元素，并从X．

数据类型：单|双重的|逻辑|烧焦|细胞|分类

收敛控制属性

`融合税收`- - - - - -收敛信息
结构阵列

此属性是只读的。

收敛信息，指定为结构数组。

场	描述
`融合`	逻辑标志，指示算法是否会融合（`1`表明收敛)。
`ReasonForConvergence`	表示标准的字符矢量软件用于检测收敛。
`差距`	对偶目标函数与原目标函数之间的标量可行性差距。
`施法`	标量可行性间隙公差。例如，设置这种容差，例如`1)依照`，使用名称值对参数`依照“GapTolerance”,1`的`fitcsvm.`．
`临时称为`	上下违例者之间的梯度差
`DeltaGradientTolerance`	标量公差对于上下违规者之间的梯度差异。例如，设置这种容差，例如`1)依照`，使用名称值对参数`“DeltaGradientTolerance”，1e-2`的`fitcsvm.`．
`最大kktviolation`	最大标量Karush-Kuhn-Tucker（KKT）冲突值。
`kkttolerance.`	最大KKT违例的标量公差。例如，将这个公差设置为`1 e - 3`，使用名称值对参数`'kkttolerance'，1e-3`的`fitcsvm.`．
`历史`	包含集合优化迭代收敛信息的结构数组。字段: `NumIterations`:软件记录收敛信息的迭代指标的数值向量 `差距`:的数值向量`差距`迭代处的值 `临时称为`:的数值向量`临时称为`迭代处的值 `最大kktviolation`:的数值向量`最大kktviolation`迭代处的值 `Num金宝appSupportVectors`：数字矢量指示迭代处的支持向量数量金宝app `客观的`:的数值向量`客观的`迭代处的值
`客观的`	双目标函数的标量值。

数据类型：结构体

`NumIterations`- - - - - -迭代次数
正整数

此属性是只读的。

优化程序为达到收敛所需要的迭代次数，指定为正整数。

将迭代次数限制设置为1000，例如，指定'iterationlimit'，1000当您使用fitcsvm.．

数据类型：双重的

`ShrinkagePeriod`- - - - - -活动集约简之间的迭代次数
非负整数

此属性是只读的。

活动集的约简之间的迭代次数，指定为非负整数。

将收缩期设定为1000，例如，指定“ShrinkagePeriod”,1000年当您使用fitcsvm.．

数据类型：单|双重的

Hyperparameter优化性能

`HyperparameterOptimizationResults`- - - - - -超参数交叉验证优化描述
`贝叶斯偏见`对象|表格

此属性是只读的。

超参数的交叉验证优化描述，指定为贝叶斯偏见对象或超参数和关联值的表。当“OptimizeHyperparameters”的名称-值对参数fitcsvm.在创造上是非空的。价值HyperparameterOptimizationResults取决于优化器野外HyperParameterOptimizationOptions.的结构fitcsvm.创建时，如表所示。

的价值`优化器`场	的价值`HyperparameterOptimizationResults`
`“bayesopt”`（默认）	类的对象`贝叶斯偏见`
`“gridsearch”`或`“随机搜索”`	使用的超参数表，观察到的客观函数值（交叉验证丢失），以及从最低（最佳）到最高（最差）的观测等级

对象的功能

`契约`	减少机器学习模型的规模
`compareHoldout`	使用新数据比较两个分类模型的精度
`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`	查找支持向量机（SVM）分类器的分类边金宝app
`FitleDosterior.`	支持向量机（SVM）分类器的拟合后验概率金宝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`	寻找支持向量机（SVM）分类器的分类误差金宝app
`利润`	查找支持向量机（SVM）分类器的分类边距金宝app
`partialDependence`	计算部分依赖
`局部依赖`	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
`酸橙`	局部可解释的模型不可知解释(LIME)
`resubLoss`	Resubstitution分类损失
`重新提交`	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性

例子

全部折叠

训练支持向量机分类器

打开生活的脚本

载入费雪的虹膜数据集。去掉萼片的长度和宽度以及所有观察到的刚毛鸢尾。

负载渔民第1 = ~ strcmp(物种,“塞托萨”）;X = MEAS（INDS，3：4）;Y =物种（INDS）;

使用处理后的数据集训练支持向量机分类器。

SVMModel = fitcsvm (X, y)

svmmodel = classificationsvm contractename：'y'pationoricalpricictors：[] classnames：{versicolor''virginica'} scoreTransform：'none'numobservations：100个字母：[24x1 double]偏置：-14.4149内核参数：[1x1 struct] boxconstraints：[100x1DOUBLE] CONFORGENGEINFO：[1x1 struct] iss金宝appupportVector：[100x1逻辑]求解器：'smo'属性，方法

SVMModel是训练有素的分类VM分类器。显示的属性SVMModel．例如，要确定类的顺序，可以使用点符号。

classOrder = SVMModel。一会

classOrder =2x1电池{“癣”}{' virginica '}

头等舱('versicolor')是否定类，而第二个(“维吉尼亚”)是积极类。属性可以在训练期间更改类的顺序'classnames'名称-值对的论点。

绘制数据散点图并圈出支持向量。金宝app

sv = SVMModel.金宝appSupportVectors;图gscatter (X (: 1), (:, 2), y)在情节(sv (: 1), sv (:, 2),'ko'，“MarkerSize”，10）传奇（'versicolor'，“维吉尼亚”，“金宝app支持向量”） 抓住从

图中包含一个轴。轴包含3个类型为line的对象。这些对象表示versicolor、virginica和支持向量机。金宝app

支持向量金宝app是发生在或超出其估计类边界的观察值。

您可以通过在使用期间设置培训期间的框约束来调整边界（以及因此，支持向量的数量）金宝app“BoxConstraint”名称-值对的论点。

训练并交叉验证支持向量机分类器

打开生活的脚本

加载电离层数据集。

负载电离层

列车并交叉验证SVM分类器。标准化预测器数据并指定类的顺序。

RNG（1）;%为了再现性cvsvmmodel = fitcsvm（x，y，“标准化”,真的,...'classnames', {“b”，‘g’}，“CrossVal”，“上”）

CVSVMModel = ClassificationPartitionedModel CrossValidatedModel: 'SVM' PredictorNames: {1x34 cell} ResponseName: 'Y' NumObservations: 351 KFold: 10 Partition: [1x1 cvpartition] ClassNames: {'b' ' 'g'} ScoreTransform: 'none'属性，方法

CVSVMModel是一个ClassificationPartitionedModel旨在支持向量机分类器。默认情况下，该软件实现10倍交叉验证。

或者，您可以交叉验证一个经过培训的分类VM将它传递给crossval．

使用点符号检查训练镜的一个折叠。

CVSVMModel。训练有素的{1}

ans = CompactClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' ' 'g'} ScoreTransform: 'none' Alpha: [78x1 double] Bias: -0.2209 KernelParameters: [1x1 struct] Mu: [1x34 double] Sigma: [1x34 double金宝app] SupportVectors: [78x34 double] SupportVectorLabels: [78x1 double]属性，方法

每个褶皱都是一个褶皱CompactClassificationsVM.分类器对90%的数据进行训练。

估计泛化误差。

genError = kfoldLoss (CVSVMModel)

genError = 0.1168

平均而言，泛化误差约为12%。

算法

支持向量机二值分类算法的数学公式见金宝app二值分类的支持向量机和理解支持向量机金宝app．
南，<未定义>，空字符向量(＇＇)，空字符串(""),<缺失>值表示缺失值。fitcsvm.删除与缺失响应相对应的整行数据。计算总重量（参见下一个子弹），fitcsvm.忽略与至少缺少一个预测器的观测值相对应的任何权重。此操作可能导致平衡类问题中的先验概率不平衡。因此，观测框约束可能不相等boxconstraint.．
fitcsvm.去除具有零重量或先前概率的观察。
对于两类学习，如果你指定代价矩阵 $C$ （见成本)，然后软件更新类的先验概率p（见之前）到p_c通过纳入本节中所述的处罚 $C$ ．
具体来说，fitcsvm.完成这些步骤:
1. 计算 $p_{c}^{*} ＝ p ” C ．$
2. 规范化p_c^＊更新后的先验概率和是1。
  
  $p_{c} ＝ \frac{1}{{σ.}_{j ＝ 1}^{K} p_{c ， j}^{*}} p_{c}^{*} ．$
  
  K是班级的数量。
3. 将成本矩阵重置为默认值
  
  $C ＝［ \begin{matrix} 0 & 1 \\ 1 & 0 \end{matrix} ］．$
4. 从对应于具有零先验概率的类的训练数据中移除观察值。
对两种学习,fitcsvm.正常化所有观察重量（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

$w_{j}^{*} ＝ \frac{w_{j}}{\underset{\forall j \in 等级 k}{σ.} w_{j}} p_{c ， k} ．$

w_j是观察的规范化重量j；p_c，k是更新的课程的现有概率k（见前的子弹）。
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

$C_{j} ＝ n C_{0} w_{j}^{*} ．$

n为训练样本量，C₀初始框约束(参见“BoxConstraint”名称-值对参数），以及 $w_{j}^{*}$ 是观察的总重量j（见前的子弹）。
如果你设置了“标准化”,真的和“成本”，'事先的',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值进行标准化。就是，fitcsvm.标准化预测j（x_j)使用

$x_{j}^{*} ＝ \frac{x_{j} - μ_{j}^{*}}{σ_{j}^{*}} ．$

$μ_{j}^{*} ＝ \frac{1}{\underset{k}{σ.} w_{k}^{*}} \underset{k}{σ.} w_{k}^{*} x_{j k} ．$
x_jk是观察k（行）预测器j(列)。
${（ σ_{j}^{*} ）}^{2} ＝ \frac{v_{1}}{v_{1}^{2} - v_{2}} \underset{k}{σ.} w_{k}^{*} {（ x_{j k} - μ_{j}^{*} ）}^{2} ．$
$v_{1} ＝ \underset{j}{σ.} w_{j}^{*} ．$
$v_{2} ＝ \underset{j}{σ.} {（ w_{j}^{*} ）}^{2} ．$
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%在训练数据中的观察值中，有1%的得分为负值。
- 软件实现鲁棒学习两级学习。换句话说，该软件试图删除100个p%优化算法收敛时的观测值。移除的观测值对应于幅度较大的梯度。
如果预测器数据包含分类变量，则软件通常对这些变量使用完全虚拟编码。软件为每个分类变量的每个级别创建一个虚拟变量。
- 的预测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ExpandedPredictorNames.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ExpandedPredictorNames.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,bet属性为每个预测器存储一个beta系数，包括虚拟变量。
- 的金宝appSupportVectors属性存储支持向量的预测值，包括虚拟变量。例如，假设有金宝app米金宝app支持向量和三个预测因子，其中一个是具有三个级别的分类变量。然后金宝appSupportVectors是一个n-by-5矩阵。
- 的X属性将训练数据存储为原始输入，不包括虚拟变量。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，软件将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jth虚拟变量是–1对于级别最多j,＋１的水平j＋１通过k．
- 存储在中的虚拟变量的名称ExpandedPredictorNames.属性表示具有值的第一级＋１．软件商店k– 1虚拟变量的其他预测名称，包括级别2,3，...的名称，k．
所有解算器都执行l1软边缘最小化。
对于单级学习，软件估计拉格朗日乘法器，α₁，......，α_n，这样

${σ.}_{j ＝ 1}^{n} α_{j} ＝ n ν ．$

参考

Hastie, T.， R. Tibshirani, J. Friedman。统计学习的要素，第二版。纽约：斯普林斯，2008年。

[2] 斯科尔科夫，B.，J.C.普拉特，J.C.肖夫·泰勒，A.J.斯莫拉和R.C.威廉姆森。“估计高维分布的支持度。”金宝app神经计算机.， 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。使用内核学习：支持向量机，正规化，优化和超越，金宝app自适应计算和机器学习。麻省剑桥：麻省理工学院出版社，2002年。

扩展功能

C/C++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用说明和限制：

的预测和更新功能支持代码生成。金宝app
将SVM分类模型的预测集成到Simulink中金宝app^®，你可以使用分类统计和机器学习工具箱™库或Matlab功能块中的块预测函数。
使用使用时培训SVM模型fitcsvm.，以下限制适用。
- 价值“ScoreTransform”名称-值对参数不能是匿名函数。为了生成预测给定新观测值的后验概率的代码，请将经过训练的SVM模型传递给FitleDosterior.或fitSVMPosterior．的scoretransform.属性包含一个匿名函数，该函数表示得分后向概率函数，并配置用于代码生成。
- 对于定点代码生成，“ScoreTransform”名称值对参数不能“因弗罗吉特”．同时，它的价值'骨箱'名称值对参数必须是“高斯”，“线性”,或多项式的．
- 对于定点代码生成和带有编码器配置器的代码生成，适用以下附加限制。
  - 分类预测(逻辑，分类，烧焦，一串,或细胞）不受支持。金宝app你不能使用“CategoricalPredictors”名称值参数。要在模型中包含分类预测器，请通过使用预处理它们dummyvar在拟合模型之前。
  - 类标签的分类不支持数据类型。金宝app训练数据中的类标签值(TBL.或Y的价值'classnames'name-value参数不能是具有分类数据类型。

有关详细信息，请参阅代码生成简介．

另请参阅

ClassificationPartitionedModel|CompactClassificationsVM.|fitcsvm.

主题

在R2014A介绍

分类VM

描述

创造

属性

支持向量机特性

α- - - - - -训练分类器系数数字矢量

bet- - - - - -线性预测器系数数字矢量

偏见- - - - - -偏差项标量

箱约束- - - - - -框约束数字矢量

cacheinfo.- - - - - -缓存信息结构阵列

Is金宝appSupportVector- - - - - -金宝app支持向量指标逻辑向量

KernelParameters- - - - - -内核参数结构阵列

nu.- - - - - -看到下面成了学习参数正标量

OutlierFraction- - - - - -异常值的比例数值标量

求解器- - - - - -优化常规ISDA的|“L1QP”|SMO的

金宝appSupportVectorLabels- - - - - -金宝app支持矢量类标签年代1数字矢量

金宝appSupportVectors- - - - - -金宝app支持向量年代-借-p数字矩阵

其他分类属性

分类预测因子- - - - - -分类预测索引正整数向量|[]

一会- - - - - -独特的类标签分类数组|字符阵列|逻辑向量|数字矢量|字符向量单元数组

成本- - - - - -误分类成本数字方形矩阵

ExpandedPredictorNames.- - - - - -扩展预测仪名称字符向量单元数组

坡度- - - - - -训练数据梯度值数字矢量

ModelParameters- - - - - -用于训练模型的参数对象

亩- - - - - -预测的手段数字矢量|[]

NumObservations- - - - - -观察次数数值标量

预测- - - - - -预测器变量名字符向量单元数组

之前- - - - - -事前机率数字矢量

ResponseName- - - - - -响应变量名称特征向量

RowsUsed- - - - - -装配中使用的行[]|逻辑向量

scoretransform.- - - - - -分数转换特征向量|函数处理

σ- - - - - -预测标准偏差[](默认)|数字矢量

W- - - - - -观察权重数字矢量

X- - - - - -解体的预测因子数字矩阵|表格

Y- - - - - -类标签分类数组|字符阵列|逻辑向量|数字矢量|字符向量单元数组

收敛控制属性

融合税收- - - - - -收敛信息结构阵列

NumIterations- - - - - -迭代次数正整数

ShrinkagePeriod- - - - - -活动集约简之间的迭代次数非负整数

Hyperparameter优化性能

HyperparameterOptimizationResults- - - - - -超参数交叉验证优化描述贝叶斯偏见对象|表格

对象的功能

例子

训练支持向量机分类器

训练并交叉验证支持向量机分类器

更多关于

框约束

克矩阵

Karush-Kuhn-Tucker互补条件

一流的学习

金宝app支持向量机

金宝app二值分类的支持向量机

算法

参考

扩展功能

C/C++代码生成使用MATLAB®Coder™生成C和c++代码。

另请参阅

主题

统计和机器学习工具箱文档

金宝app

掌握机器学习：用MATLAB逐步指导

`α`- - - - - -训练分类器系数
数字矢量

`bet`- - - - - -线性预测器系数
数字矢量

`偏见`- - - - - -偏差项
标量

`箱约束`- - - - - -框约束
数字矢量

`cacheinfo.`- - - - - -缓存信息
结构阵列

`Is金宝appSupportVector`- - - - - -金宝app支持向量指标
逻辑向量

`KernelParameters`- - - - - -内核参数
结构阵列

`nu.`- - - - - -看到下面成了学习参数
正标量

`OutlierFraction`- - - - - -异常值的比例
数值标量

`求解器`- - - - - -优化常规
`ISDA的`|`“L1QP”`|`SMO的`

`金宝appSupportVectorLabels`- - - - - -金宝app支持矢量类标签
年代1数字矢量

`金宝appSupportVectors`- - - - - -金宝app支持向量
年代-借-p数字矩阵

`分类预测因子`- - - - - -分类预测索引
正整数向量|`[]`

`一会`- - - - - -独特的类标签
分类数组|字符阵列|逻辑向量|数字矢量|字符向量单元数组

`成本`- - - - - -误分类成本
数字方形矩阵

`ExpandedPredictorNames.`- - - - - -扩展预测仪名称
字符向量单元数组

`坡度`- - - - - -训练数据梯度值
数字矢量

`ModelParameters`- - - - - -用于训练模型的参数
对象

`亩`- - - - - -预测的手段
数字矢量|`[]`

`NumObservations`- - - - - -观察次数
数值标量

`预测`- - - - - -预测器变量名
字符向量单元数组

`之前`- - - - - -事前机率
数字矢量

`ResponseName`- - - - - -响应变量名称
特征向量

`RowsUsed`- - - - - -装配中使用的行
`[]`|逻辑向量

`scoretransform.`- - - - - -分数转换
特征向量|函数处理

`σ`- - - - - -预测标准偏差
`[]`(默认)|数字矢量

`W`- - - - - -观察权重
数字矢量

`X`- - - - - -解体的预测因子
数字矩阵|表格

`Y`- - - - - -类标签
分类数组|字符阵列|逻辑向量|数字矢量|字符向量单元数组

`融合税收`- - - - - -收敛信息
结构阵列

`NumIterations`- - - - - -迭代次数
正整数

`ShrinkagePeriod`- - - - - -活动集约简之间的迭代次数
非负整数

`HyperparameterOptimizationResults`- - - - - -超参数交叉验证优化描述
`贝叶斯偏见`对象|表格

C/C++代码生成
使用MATLAB®Coder™生成C和c++代码。