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．

加载fisheririsx = meas;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svm模板。大多数模板对象属性都是空的。培训ECOC分类器时，软件将适用的属性设置为其默认值。

培训ECOC分类器，并指定类顺序。

Mdl = fitcecoc (X, Y,'学习者't......“类名”, {“setosa”那“多色的”那“virginica”}）;

Mdl是A.ClassificationECOC分类器。您可以使用点表示法访问其属性。

交叉验证Mdl使用10倍交叉验证。

CVMdl = crossval (Mdl);

CVMdl是A.ClassificationPartitionedECOC交叉验证的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。

考虑到心律失常数据集。该数据集包含16类，其中13个在数据中表示。第一类表明受试者没有心律失常，最后一类表明未记录受试者的心律失常状态。其他类是表明心律失常严重程度的序数水平。

使用类别描述指定的自定义编码设计列车。

加载心律失常数据集。转变y到一个分类变量，并确定类的数量。

加载心律失常y =分类（y）;k =独特（Y）;%不同类别的数量

构造一个编码矩阵，描述类的性质。

OrdMat = designecoc(11日'序号'）;nOrdMat =大小(OrdMat);class1VSOrd = [1;1人(11日);0);class1VSClass16 = [1;1 0(11日);1);OrdVSClass16 = [0;1(11日); -1]; Coding = [class1VSOrd class1VSClass16 OrdVSClass16,......[0 (1, nOrdMat (2));OrdMat;0 (1, nOrdMat (2)];

使用自定义编码设计训练ECOC分类器(编码)和并行计算。指定一个由50个分类树组成的集合。

t = templateEnsemble (“GentleBoost”, 50岁,“树”）;选择= statset ('使用指平行',真正的);Mdl = fitcecoc (X, Y,“编码”，编码，'学习者't“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A.ClassificationECOC模型。您可以使用点表示法访问其属性。

交叉验证Mdl使用8倍交叉验证和并行计算。

RNG（1）;%的再现性cvmdl = crossval（mdl，“选项”，选项，'kfold'8);

警告:一个或多个折叠不包含所有组的点。

由于某些类相对频率低，因此一些折叠不会使用这些类的观察来训练。CVMdl是A.ClassificationPartitionedECOC交叉验证的ecoc模型。

使用并行计算估计泛化误差。

错误= kfoldLoss (CVMdl,“选项”，选项）

错误= 0.3208.

交叉验证的分类误差为32%，说明该模型泛化效果不佳。为了改进模型，尝试使用不同的增强方法(如RobustBoost)或不同的算法(如SVM)进行训练。