ClassificationPartitionedECOC
支持向量机等分类器的交叉验证多类ECOC模型金宝app
描述
ClassificationPartitionedECOC是在交叉验证褶皱上训练的一组纠错输出码(ECOC)模型。使用一个或多个“kfold”函数估计交叉验证分类的质量:kfoldPredict，kfoldLoss，kfoldMargin，kfoldEdge,kfoldfun．
每一种“kfold”方法都使用在训练折叠(内折叠)观测上训练的模型来预测验证折叠(外折叠)观测的响应。例如，假设您使用5倍交叉验证。在这种情况下，软件将每个观察结果随机分配到大小相同(大致)的五组。的培训褶皱包含四组(大约是数据的4/5)验证褶皱包含另一组(约占数据的1/5)。在这种情况下，交叉验证的过程如下:
软件训练第一个模型(存储在
CVMdl。训练有素的{1})，并保留第一组的观测值作验证。软件训练第二个模型(存储在
CVMdl。训练有素的{2})，利用第一组和最后三组的观察结果。该软件保留第二组的观察结果以供验证。对于第三、第四和第五种模型，软件以类似的方式进行。
如果您使用kfoldPredict，该软件计算出对小组观测结果的预测我通过使用我模型。简而言之，该软件通过使用未经该观察而训练的模型来估计每个观察的响应。
创建
您可以创建ClassificationPartitionedECOC模型有两种方式:
属性
对象的功能
收集 |
收集的属性统计和机器学习工具箱对象从GPU |
kfoldEdge |
交叉验证ECOC模型的分类边缘 |
kfoldLoss |
交叉验证ECOC模型的分类损失 |
kfoldMargin |
交叉验证ECOC模型的分类裕度 |
kfoldPredict |
在交叉验证的ECOC模型中对观测结果进行分类 |
kfoldfun |
使用交叉验证ECOC模型进行交叉验证 |
例子
旨在ECOC分类器
用支持向量机二值学习器交叉验证ECOC分类器，估计广义分类误差。
载入费雪的虹膜数据集。指定预测器数据X以及响应数据Y．
负载fisheririsX =量;Y =物种;rng (1);%的再现性
创建一个支持向量机模板，并标准化预测器。
t = templateSVM (“标准化”,真正的)
t =适合分类支持向量机的模板。α:[0 x1双]BoxConstraint: [] CacheSize: [] CachingMethod:“ClipAlphas: [] DeltaGradientTolerance:[]ε:[]GapTolerance: [] KKTTolerance: [] IterationLimit: [] KernelFunction:“KernelScale: [] KernelOffset: [] KernelPolynomialOrder: [] NumPrint:[]ν:[]OutlierFraction: [] RemoveDuplicates: [] ShrinkagePeriod:[]解算器:"标准化数据:1 SaveSupportVector金宝apps: [] VerbosityLevel:[]版本:2方法:'SVM'类型:'分类'
t是一个支持向量机模板。大多数模板对象属性都是空的。在训练ECOC分类器时，软件将适用属性设置为默认值。
训练ECOC分类器，并指定类的顺序。
Mdl = fitcecoc (X, Y,“学习者”t．..“类名”, {“setosa”，“多色的”，“virginica”})；
Mdl是一个ClassificationECOC分类器。您可以使用点符号来访问它的属性。
旨在Mdl使用10倍交叉验证。
CVMdl = crossval (Mdl);
CVMdl是一个ClassificationPartitionedECOC旨在ECOC分类器。
估计广义分类误差。
genError = kfoldLoss (CVMdl)
genError = 0.0400
广义分类误差为4%，表明ECOC分类器具有较好的泛化能力。
使用bin和并行计算加速训练ECOC分类器
使用a训练一个单一对所有ECOC分类器GentleBoost具有代理分割的决策树集成。为了加快训练速度，bin数值预测器并使用并行计算。Binning仅在以下情况下有效fitcecoc使用树学习者。训练后，使用10倍交叉验证估计分类误差。请注意，并行计算需要parallel computing Toolbox™。
加载示例数据
装入并检查心律失常数据集。
负载心律失常(氮、磷)大小(X) =
n = 452
p = 279
isLabels =独特(Y);nLabels =元素个数(isLabels)
nLabels = 13
汇总(分类(Y))
值计数百分比1 245 54.20% 2 44 9.73% 3 15 3.32% 4 15 3.32% 5 13 2.88% 6 25 5.53% 73 0.66% 8 2 0.44% 99 1.99% 10 50 11.06% 14 4 0.88% 15 5 1.11% 16 22 4.87%
数据集包含279预测因素和样本量452相对较小。在16个不同的标签中，只有13个在响应中表示(Y)．每个标签描述了不同程度的心律失常，54.20%的观察是在课堂上进行的1．
训练一个对所有ECOC分类器
创建集成模板。您必须指定至少三个参数:方法、学习者的数量和学习者的类型。对于本例，请指定“GentleBoost”的方法,One hundred.对于学习者的数量，以及由于缺少观察结果而使用代理拆分的决策树模板。
tTree = templateTree (“代孕”，“上”）;tEnsemble = templateEnsemble (“GentleBoost”, 100年,tTree);
tEnsemble是模板对象。它的大部分属性都是空的，但是软件在训练期间用它们的默认值填充它们。
使用决策树的集合作为二叉学习器来训练一个一对所有的ECOC分类器。为了加快训练速度，可以使用装箱和并行计算。
装箱(
“NumBins”,50岁) -当你有一个大的训练数据集时，你可以通过使用“NumBins”名称-值对的论点。此参数仅在以下情况下有效fitcecoc使用树学习者。如果指定“NumBins”值，然后软件将每个数值预测器放入指定数量的等概率容器中，然后根据容器指数而不是原始数据生长树。你可以试着“NumBins”,50岁先改，再改“NumBins”值取决于训练的准确性和速度。并行计算(
“选项”,statset (UseParallel,真的)) -使用并行计算工具箱许可证，您可以通过使用并行计算来加快计算速度，并行计算将每个二进制学习器发送给池中的worker。worker的数量取决于您的系统配置。当你对二进制学习者使用决策树时，fitcecoc使用英特尔®线程构建块(TBB)并行训练双核或以上系统。因此,指定“UseParallel”选项在单个计算机上没有帮助。在集群上使用此选项。
另外，指定先验概率为1/K,在那里K= 13是不同类别的数目。
选择= statset (“UseParallel”,真正的);Mdl = fitcecoc (X, Y,“编码”，“onevsall”，“学习者”tEnsemble,．..“之前”，“统一”，“NumBins”, 50岁,“选项”、选择);
使用“local”配置文件启动并行池(parpool)…连接到并行池(工作人员数量:6)。
Mdl是一个ClassificationECOC模型。
交叉验证
使用10倍交叉验证交叉验证ECOC分类器。
CVMdl = crossval (Mdl,“选项”、选择);
警告:一个或多个折叠不包含所有组的点。
CVMdl是一个ClassificationPartitionedECOC模型。警告表明，当软件训练至少一倍时，有些类没有表示。因此，这些折叠不能预测缺失类的标签。可以使用单元格索引和点表示法检查折叠的结果。例如，通过输入来访问第一次折叠的结果CVMdl。训练有素的{1}．
使用交叉验证的ECOC分类器来预测验证折叠标签。你可以用confusionchart．通过更改内部位置属性来移动和调整图表的大小，以确保百分比出现在行摘要中。
oofLabel = kfoldPredict (CVMdl,“选项”、选择);ConfMat = confusionchart (Y, oofLabel,“RowSummary”，“total-normalized”）;ConfMat。InnerPosition = [0.10 0.12 0.85 0.85];
复制分箱数据
通过使用BinEdges训练模型的性质和离散化函数。
X = Mdl.X;%的预测数据Xbinned = 0(大小(X));边缘= Mdl.BinEdges;找到被分类的预测器的指数。idxNumeric =找到(~ cellfun (@isempty边缘));如果iscolumn(idxNumeric) idxNumeric = idxNumeric';结束为j = idxNumeric x = x (:，j);%如果x是一个表，则将x转换为数组。如果Istable (x) x = table2array(x);结束%使用离散函数将x分组到bins中。xbinned =离散化(x,[无穷;边缘{};正]);Xbinned (:, j) = Xbinned;结束
Xbinned包含用于数字预测器的容器索引，范围从1到容器数量。Xbinned值是0分类预测。如果X包含南S，然后对应的Xbinned值是南年代。
扩展功能
你也可以从以下列表中选择一个网站:
