ClassificationPartitionedKernel
描述
ClassificationPartitionedKernel
是一个二进制内核分类模型,训练旨在折叠。你可以估计的质量分类、概括或内核如何分类模型,使用一个或多个“kfold”功能:kfoldPredict
,kfoldLoss
,kfoldMargin
,kfoldEdge
。
每一个“kfold”方法使用模型训练training-fold(的)观察预测响应validation-fold (out-of-fold)观察。例如,假设您旨在使用5折。在这种情况下,软件随机分配每个观测分成五组同等大小的(大概)。的培训褶皱包含四个组的(也就是说,约4/5的数据)和验证褶皱包含另一组(即约1/5的数据)。在这种情况下,交叉验证收益如下:
软件培训(存储在第一个模型
CVMdl.Trained {1}
)通过观察在最后四组和外汇储备第一组的观测验证。软件培训(存储在第二个模型
CVMdl.Trained {2}
)使用观察第一组最后三组。软件保留在第二组观察验证。软件收入用在类似的方式是第三,第四,第五模型。
如果验证通过kfoldPredict
对观察组,软件计算预测我通过使用我模型。简而言之,软件估计响应每个观察通过模型训练没有观察。
请注意
ClassificationPartitionedKernel
模型对象不存储预测数据集。
创建
您可以创建一个ClassificationPartitionedKernel
模型通过训练一个分类使用内核模式fitckernel
并指定一个名称-值对参数:“Crossval”
,“CVPartition”
,“坚持”
,“KFold”
,或“Leaveout”
。
属性
交叉验证的属性
CrossValidatedModel
- - - - - -旨在模型名称
特征向量
这个属性是只读的。
旨在模型名称,指定为一个特征向量。
例如,“内核”
指定了一个旨在内核模式。
数据类型:字符
KFold
- - - - - -许多旨在折叠
正整数标量
这个属性是只读的。
旨在折叠,指定为一个正整数标量。
数据类型:双
ModelParameters
- - - - - -交叉验证的参数值
对象
这个属性是只读的。
交叉验证参数值,指定为一个对象。参数值对应于旨在内核使用名称-值对参数值分类器。ModelParameters
不包含估计参数。
您可以访问的属性ModelParameters
使用点符号。
NumObservations
- - - - - -数量的观察
积极的数字标量
这个属性是只读的。
在训练数据的观察,指定为一个积极的数字标量。
数据类型:双
分区
- - - - - -数据分区
cvpartition
模型
这个属性是只读的。
数据分区显示软件将数据分为交叉验证折叠,如何指定为一个cvpartition
模型。
训练有素的
- - - - - -内核在交叉验证分类器训练折叠
单元阵列的ClassificationKernel
模型
W
- - - - - -观察权重
数值向量
这个属性是只读的。
观察权重模型,旨在使用指定为一个数值向量。W
有NumObservations
元素。
软件可实现重量以便用于培训sum (W, omitnan)
是1
。
数据类型:单
|双
Y
- - - - - -观察到的类标签
分类数组|字符数组|逻辑向量|数值向量|单元阵列的特征向量
这个属性是只读的。
指定的模型,观察类标签用于旨在作为一个类别或字符数组,逻辑或数值向量,或单元阵列的特征向量。Y
有NumObservations
元素和具有相同的数据类型作为输入参数Y
你通过fitckernel
该模型旨在。(软件对字符串数组作为细胞阵列特征向量)。
每一行的Y
代表观察到的分类对应的行X
。
数据类型:分类
|字符
|逻辑
|单
|双
|细胞
其他分类属性
CategoricalPredictors
- - - - - -分类预测指标
向量的正整数|[]
这个属性是只读的。
分类预测指标,指定为一个向量的正整数。CategoricalPredictors
包含索引值表明相应的预测分类。索引值介于1和p
,在那里p
预测的数量被用来训练模型。如果所有的预测都直言,那么这个属性是空的([]
)。
数据类型:单
|双
一会
- - - - - -独特的类标签
分类数组|字符数组|逻辑向量|数值向量|单元阵列的特征向量
这个属性是只读的。
独特的类标签用于培训,指定为一个类别或字符数组,逻辑或数值向量,或单元阵列的特征向量。一会
具有相同的数据类型是观察到的类标签属性Y
并确定类订单。
数据类型:分类
|字符
|逻辑
|单
|双
|细胞
成本
- - - - - -误分类代价
广场数字矩阵
这个属性是只读的。
误分类代价,指定为一个正方形数字矩阵。成本
有K行和列,K类的数量。
成本(i, j)
是一个指向类分类的成本j
如果它真正的类我
。的行和列的顺序成本
对应于类的顺序一会
。
数据类型:双
PredictorNames
- - - - - -预测的名字
单元阵列的特征向量
这个属性是只读的。
预测出他们名字的顺序出现在预测数据,指定为一个单元阵列的特征向量。的长度PredictorNames
等于列数作为训练数据中预测变量X
或资源描述
。
数据类型:细胞
之前
- - - - - -前类概率
数值向量
这个属性是只读的。
类概率之前,指定为一个数值向量。之前
尽可能多的元素有课程吗一会
和元素的顺序对应的元素一会
。
数据类型:双
ResponseName
- - - - - -响应变量名
特征向量
这个属性是只读的。
响应变量名称,指定为一个特征向量。
数据类型:字符
ScoreTransform
- - - - - -分数转换函数
“doublelogit”
|“invlogit”
|“ismax”
|分对数的
|“没有”
|函数处理|……
分数转换函数适用于预测分数,指定为一个函数名或函数处理。
内核的分类模型Mdl
,得分转换之前,预测分类得分的观察x(行向量)
是一个转换的观察特性的扩张。
β是估计的列向量的系数。
b估计是标量的偏见。
改变CVMdl
分数转换函数函数
例如,使用点符号。
对于一个内置的函数,输入这个代码和替换
函数
从表中值。CVMdl。ScoreTransform = '函数”;
价值 描述 “doublelogit”
1 / (1 +e2x) “invlogit”
日志(x/ (1 -x)) “ismax”
集类的分数最大的分数为1,并设置所有其他类的分数为0 “分对数”
1 / (1 +e- - - - - -x) “没有”
或“身份”
x(转换) “标志”
1x< 0
为0x= 0
1x> 0“对称”
2x- 1 “symmetricismax”
集合类的分数最大的分数为1,和所有其他类的分数设置为1 “symmetriclogit”
2 / (1 +e- - - - - -x)- 1 对于一个MATLAB®函数或你定义一个函数,输入它的功能处理。
CVMdl。ScoreTransform = @函数;
函数
必须接受一个矩阵的原始分数为每个类,然后返回一个相同大小的矩阵表示为每一个类转换后的分数。
数据类型:字符
|function_handle
对象的功能
kfoldEdge |
分类边缘旨在内核分类模型 |
kfoldLoss |
分类损失旨在内核分类模型 |
kfoldMargin |
分类利润率旨在内核分类模型 |
kfoldPredict |
分类观察旨在内核分类模型 |
例子
旨在内核分类模型
加载电离层
数据集。这个数据集有34个预测因子和351二进制响应雷达回报,要么坏(“b”
)或好(‘g’
)。
负载电离层rng (“默认”)%的再现性
旨在一个二进制内核分类模型。默认情况下,软件使用10倍交叉验证。
CVMdl = fitckernel (X, Y,“CrossVal”,“上”)
CVMdl = ClassificationPartitionedKernel CrossValidatedModel:“内核”ResponseName:“Y”NumObservations: 351 KFold: 10个分区:[1 x1 cvpartition]类名:{b ' g '} ScoreTransform:“没有一个”属性,方法
元素个数(CVMdl.Trained)
ans = 10
CVMdl
是一个ClassificationPartitionedKernel
模型。因为fitckernel
实现了10倍交叉验证,CVMdl
包含10ClassificationKernel
模型软件列车training-fold(的)观察。
估计旨在分类错误。
kfoldLoss (CVMdl)
ans = 0.0940
分类错误率为9%左右。
版本历史
介绍了R2018bR2022a:成本
属性存储指定的成本矩阵
从R2022a,成本
属性存储指定的成本矩阵,这样你就可以计算出观察误分类成本使用指定的成本价值。软件商店规范化先验概率(之前
)和观察权重(W
),不能反映成本矩阵描述的处罚。计算观察误分类代价,指定LossFun
名称-值参数为“classifcost”
当你打电话给kfoldLoss
函数。
注意,模型训练并没有改变,因此,类之间的决策边界没有改变。
培训,拟合函数更新指定的先验概率,将指定的描述的惩罚成本矩阵,然后规范化先验概率和观察的权重。这种行为没有改变。在以前的版本中,存储的软件默认成本矩阵成本
属性和存储先验概率和观察权重用于培训之前
和W
属性,分别。从R2022a,软件商店指定成本矩阵没有修改,并存储规范化先验概率和观察权重不反映成本的惩罚。更多细节,请参阅误分类代价矩阵、先验概率和观察权重。
一些对象函数使用成本
和W
属性:
的
kfoldLoss
函数使用矩阵的存储成本成本
如果你指定属性LossFun
名称-值参数为“classifcost”
或“mincost”
。的
kfoldLoss
和kfoldEdge
函数使用存储在观察权重W
财产。
如果你指定一个默认的成本矩阵训练分类模型时,该对象函数返回一个不同的值与以前版本相比。
如果你想要处理的软件成本矩阵,先验概率,和观察权重在以前的版本中,调整默认的成本的先验概率和观察权重矩阵,描述调整先验概率和观察权重误分类代价矩阵。然后,当你训练一个分类模型,指定调整先验概率和观察权重通过使用之前
和权重
名称-值参数,分别使用默认成本矩阵。
Abrir比如
这种版本modificada德埃斯特比如。害怕Desea abrir埃斯特比如con sus modificaciones吗?
第一de MATLAB
Ha事实clic en联合国围绕此时一个埃斯特第一de MATLAB:
Ejecute el第一introduciendolo en la ventana de第一de MATLAB。洛杉矶navegadores网络没有admiten第一de MATLAB。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。