多类纠错输出码(ECOC)模型的分类边缘gydF4y2Ba
返回gydF4y2Ba分类的优势gydF4y2Ba(gydF4y2BaegydF4y2Ba
=边缘(gydF4y2BaMdlgydF4y2Ba
,gydF4y2Ba资源描述gydF4y2Ba
,gydF4y2BaResponseVarNamegydF4y2Ba
)gydF4y2BaegydF4y2Ba
),用于训练多类纠错输出码(ECOC)分类器gydF4y2BaMdlgydF4y2Ba
使用表中的预测数据gydF4y2Ba资源描述gydF4y2Ba
和类标签gydF4y2Ba资源描述。ResponseVarNamegydF4y2Ba
.gydF4y2Ba
返回分类器的分类边缘gydF4y2BaegydF4y2Ba
=边缘(gydF4y2BaMdlgydF4y2Ba
,gydF4y2Ba资源描述gydF4y2Ba
,gydF4y2BaYgydF4y2Ba
)gydF4y2BaMdlgydF4y2Ba
使用表中的预测数据gydF4y2Ba资源描述gydF4y2Ba
以及vector中的类标签gydF4y2BaYgydF4y2Ba
.gydF4y2Ba
返回分类边(gydF4y2BaegydF4y2Ba
=边缘(gydF4y2BaMdlgydF4y2Ba
,gydF4y2BaXgydF4y2Ba
,gydF4y2BaYgydF4y2Ba
)gydF4y2BaegydF4y2Ba
)用于分类器gydF4y2BaMdlgydF4y2Ba
利用矩阵中的预测数据gydF4y2BaXgydF4y2Ba
以及vector中的类标签gydF4y2BaYgydF4y2Ba
.gydF4y2Ba
除了前面语法中的任何输入参数组合外,还使用一个或多个名称-值对参数指定选项。例如,您可以指定解码方案、二进制学习器丢失函数和详细级别。gydF4y2BaegydF4y2Ba
=边缘(gydF4y2Ba___gydF4y2Ba,gydF4y2Ba名称,值gydF4y2Ba
)gydF4y2Ba
使用支持向量机二分类器计算ECOC模型的测试样本分类边缘。gydF4y2Ba
载入费雪的虹膜数据集。指定预测器数据gydF4y2BaXgydF4y2Ba
,响应数据gydF4y2BaYgydF4y2Ba
,和班级的顺序gydF4y2BaYgydF4y2Ba
.gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2BaX =量;Y =分类(物种);classOrder =独特(Y);gydF4y2Ba%课堂秩序gydF4y2Barng (1);gydF4y2Ba%的再现性gydF4y2Ba
使用支持向量机二分类器训练ECOC模型。指定30%的拒绝样本进行测试,使用SVM模板标准化预测器,并指定类顺序。gydF4y2Ba
t = templateSVM (gydF4y2Ba“标准化”gydF4y2Ba,真正的);PMdl = fitcecoc (X, Y,gydF4y2Ba“坚持”gydF4y2Ba, 0.30,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“类名”gydF4y2Ba, classOrder);Mdl = PMdl.Trained {1};gydF4y2Ba%提取训练过的紧凑分类器gydF4y2Ba
PMdlgydF4y2Ba
是一个gydF4y2BaClassificationPartitionedECOCgydF4y2Ba
模型。它有一个属性gydF4y2Ba训练有素的gydF4y2Ba
,一个1 × 1单元数组,其中包含gydF4y2BaCompactClassificationECOCgydF4y2Ba
使用训练数据建立软件训练的模型。gydF4y2Ba
计算测试样本边缘。gydF4y2Ba
testInds =测试(PMdl.Partition);gydF4y2Ba%提取测试指标gydF4y2BaXTest = X (testInds:);欧美= Y (testInds:);e =边缘(Mdl XTest、欧美)gydF4y2Ba
e = 0.4573gydF4y2Ba
样本边际值的平均值约为0.46。gydF4y2Ba
计算ECOC模型的测试样本加权边际值的平均值。gydF4y2Ba
假设一个数据集中的观测数据是按顺序测量的,由于技术升级,最后75个观测数据的质量更好。通过给予质量更好的观测值比其他观测值更大的权重来整合这一进步。gydF4y2Ba
载入费雪的虹膜数据集。指定预测器数据gydF4y2BaXgydF4y2Ba
,响应数据gydF4y2BaYgydF4y2Ba
,和班级的顺序gydF4y2BaYgydF4y2Ba
.gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2BaX =量;Y =分类(物种);classOrder =独特(Y);gydF4y2Ba%课堂秩序gydF4y2Barng (1);gydF4y2Ba%的再现性gydF4y2Ba
定义一个权重向量,为质量更好的观测值分配两倍的权重。gydF4y2Ba
n =大小(X, 1);的权重= [(n - 75 1); 2 * 1 (75 1)];gydF4y2Ba
使用支持向量机二分类器训练ECOC模型。指定30%的抵抗样品和加权方案。使用SVM模板标准化预测器,并指定类的顺序。gydF4y2Ba
t = templateSVM (gydF4y2Ba“标准化”gydF4y2Ba,真正的);PMdl = fitcecoc (X, Y,gydF4y2Ba“坚持”gydF4y2Ba, 0.30,gydF4y2Ba“重量”gydF4y2Ba权重,gydF4y2Ba...gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“类名”gydF4y2Ba, classOrder);Mdl = PMdl.Trained {1};gydF4y2Ba%提取训练过的紧凑分类器gydF4y2Ba
PMdlgydF4y2Ba
是一个培训gydF4y2BaClassificationPartitionedECOCgydF4y2Ba
模型。它有一个属性gydF4y2Ba训练有素的gydF4y2Ba
,一个1 × 1单元数组,其中包含gydF4y2BaCompactClassificationECOCgydF4y2Ba
软件使用训练数据训练的分类器。gydF4y2Ba
使用加权方案计算测试样本的加权边缘。gydF4y2Ba
testInds =测试(PMdl.Partition);gydF4y2Ba%提取测试指标gydF4y2BaXTest = X (testInds:);欧美= Y (testInds:);wte =重量(testInds:);e =边缘(Mdl XTest,欧美,gydF4y2Ba“重量”gydF4y2Bawte)gydF4y2Ba
e = 0.4798gydF4y2Ba
测试样本的平均加权裕度约为0.48。gydF4y2Ba
通过比较多个模型的测试样本边缘进行特征选择。仅根据这个比较,具有最大边的分类器就是最好的分类器。gydF4y2Ba
载入费雪的虹膜数据集。指定预测器数据gydF4y2BaXgydF4y2Ba
,响应数据gydF4y2BaYgydF4y2Ba
,和班级的顺序gydF4y2BaYgydF4y2Ba
.gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2BaX =量;Y =分类(物种);classOrder =独特(Y);gydF4y2Ba%课堂秩序gydF4y2Barng (1);gydF4y2Ba%的再现性gydF4y2Ba
将数据集划分为训练集和测试集。指定30%的抵抗样品进行测试。gydF4y2Ba
分区= cvpartition (Y,gydF4y2Ba“坚持”gydF4y2Ba, 0.30);testInds =测试(分区);gydF4y2Ba%测试集索引gydF4y2BaXTest = X (testInds:);欧美= Y (testInds:);gydF4y2Ba
分区gydF4y2Ba
定义数据集分区。gydF4y2Ba
定义这两个数据集:gydF4y2Ba
fullXgydF4y2Ba
包含所有预测。gydF4y2Ba
partXgydF4y2Ba
只包含花瓣尺寸。gydF4y2Ba
fullX = X;partX = X (:, 3:4);gydF4y2Ba
使用支持向量机二分类器对每个预测器集训练ECOC模型。指定分区定义,使用SVM模板标准化预测器,并指定类顺序。gydF4y2Ba
t = templateSVM (gydF4y2Ba“标准化”gydF4y2Ba,真正的);fullPMdl = fitcecoc (fullX YgydF4y2Ba“CVPartition”gydF4y2Ba分区,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba...gydF4y2Ba“类名”gydF4y2Ba, classOrder);partPMdl = fitcecoc (partX YgydF4y2Ba“CVPartition”gydF4y2Ba分区,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba...gydF4y2Ba“类名”gydF4y2Ba, classOrder);fullMdl = fullPMdl.Trained {1};partMdl = partPMdl.Trained {1};gydF4y2Ba
fullPMdlgydF4y2Ba
和gydF4y2BapartPMdlgydF4y2Ba
是gydF4y2BaClassificationPartitionedECOCgydF4y2Ba
模型。每个模型都有这个属性gydF4y2Ba训练有素的gydF4y2Ba
,一个1 × 1单元数组,其中包含gydF4y2BaCompactClassificationECOCgydF4y2Ba
模型表明软件使用相应的训练集进行训练。gydF4y2Ba
计算每个分类器的测试样本边缘。gydF4y2Ba
fullEdge =边缘(fullMdl XTest、欧美)gydF4y2Ba
fullEdge = 0.4573gydF4y2Ba
partEdge =边缘(partMdl XTest(:, 3:4)、欧美)gydF4y2Ba
partEdge = 0.4839gydF4y2Ba
partMdlgydF4y2Ba
产生与更复杂模型的值相当的边缘值gydF4y2BafullMdlgydF4y2Ba
.gydF4y2Ba
MdlgydF4y2Ba
- - - - - -gydF4y2Ba全或紧凑的多级ECOC模型gydF4y2BaClassificationECOCgydF4y2Ba
模型对象gydF4y2Ba|gydF4y2BaCompactClassificationECOCgydF4y2Ba
模型对象gydF4y2Ba全或紧凑的多级ECOC模型,指定为gydF4y2BaClassificationECOCgydF4y2Ba
或gydF4y2BaCompactClassificationECOCgydF4y2Ba
模型对象。gydF4y2Ba
要创建完整或紧凑的ECOC模型,请参见gydF4y2BaClassificationECOCgydF4y2Ba
或gydF4y2BaCompactClassificationECOCgydF4y2Ba
.gydF4y2Ba
资源描述gydF4y2Ba
- - - - - -gydF4y2Ba样本数据gydF4y2Ba样本数据,指定为表。每一行的gydF4y2Ba资源描述gydF4y2Ba
对应一个观察值,每一列对应一个预测变量。可选地,gydF4y2Ba资源描述gydF4y2Ba
可以包含响应变量和观察权值的附加列。gydF4y2Ba资源描述gydF4y2Ba
必须包含所有用于训练的预测因子吗gydF4y2BaMdlgydF4y2Ba
.除了字符向量的单元格数组之外,不允许使用多列变量和单元格数组。gydF4y2Ba
如果你训练gydF4y2BaMdlgydF4y2Ba
示例数据包含在gydF4y2Ba表格gydF4y2Ba
,然后输入数据gydF4y2Ba边缘gydF4y2Ba
也必须在表中。gydF4y2Ba
当训练gydF4y2BaMdlgydF4y2Ba
,假设你设置gydF4y2Ba“标准化”,真的gydF4y2Ba
中指定的模板对象gydF4y2Ba“学习者”gydF4y2Ba
的名称-值对参数gydF4y2BafitcecocgydF4y2Ba
.在这种情况下,为相应的二进制学习者gydF4y2BajgydF4y2Ba
,软件采用相应的方法对新预测数据的列进行标准化gydF4y2BaMdl.BinaryLearner {j} .MugydF4y2Ba
的标准差gydF4y2BaMdl.BinaryLearner {j} .SigmagydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba表格gydF4y2Ba
ResponseVarNamegydF4y2Ba
- - - - - -gydF4y2Ba响应变量名gydF4y2Ba资源描述gydF4y2Ba
中的响应变量名,指定为变量名gydF4y2Ba资源描述gydF4y2Ba
.如果gydF4y2Ba资源描述gydF4y2Ba
包含用于训练的响应变量gydF4y2BaMdlgydF4y2Ba
,则不需要指定gydF4y2BaResponseVarNamegydF4y2Ba
.gydF4y2Ba
如果您指定gydF4y2BaResponseVarNamegydF4y2Ba
,则必须以字符向量或字符串标量的形式进行。例如,如果响应变量存储为gydF4y2Batbl.ygydF4y2Ba
,然后指定gydF4y2BaResponseVarNamegydF4y2Ba
作为gydF4y2Ba“y”gydF4y2Ba
.否则,软件将对所有列进行处理gydF4y2Ba资源描述gydF4y2Ba
,包括gydF4y2Batbl.ygydF4y2Ba
预测因子。gydF4y2Ba
响应变量必须是一个类别、字符或字符串数组、逻辑或数字向量,或字符向量的单元格数组。如果响应变量是一个字符数组,那么每个元素必须对应数组的一行。gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
|gydF4y2Ba字符串gydF4y2Ba
XgydF4y2Ba
- - - - - -gydF4y2Ba预测数据gydF4y2Ba预测器数据,指定为数字矩阵。gydF4y2Ba
每一行的gydF4y2BaXgydF4y2Ba
对应一个观察值,每一列对应一个变量。列中的变量gydF4y2BaXgydF4y2Ba
必须与训练分类器的变量相同吗gydF4y2BaMdlgydF4y2Ba
.gydF4y2Ba
行数gydF4y2BaXgydF4y2Ba
必须等于行数gydF4y2BaYgydF4y2Ba
.gydF4y2Ba
当训练gydF4y2BaMdlgydF4y2Ba
,假设你设置gydF4y2Ba“标准化”,真的gydF4y2Ba
中指定的模板对象gydF4y2Ba“学习者”gydF4y2Ba
的名称-值对参数gydF4y2BafitcecocgydF4y2Ba
.在这种情况下,为相应的二进制学习者gydF4y2BajgydF4y2Ba
,软件采用相应的方法对新预测数据的列进行标准化gydF4y2BaMdl.BinaryLearner {j} .MugydF4y2Ba
的标准差gydF4y2BaMdl.BinaryLearner {j} .SigmagydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba单gydF4y2Ba
YgydF4y2Ba
- - - - - -gydF4y2Ba类标签gydF4y2Ba类标签,指定为类别、字符或字符串数组、逻辑或数字向量或字符向量的单元格数组。gydF4y2BaYgydF4y2Ba
必须具有相同的数据类型gydF4y2BaMdl。一会gydF4y2Ba
.gydF4y2Ba(该软件将字符串数组视为字符向量的单元格数组。)gydF4y2Ba
行数gydF4y2BaYgydF4y2Ba
必须等于行数gydF4y2Ba资源描述gydF4y2Ba
或gydF4y2BaXgydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba分类gydF4y2Ba
|gydF4y2Ba字符gydF4y2Ba
|gydF4y2Ba字符串gydF4y2Ba
|gydF4y2Ba逻辑gydF4y2Ba
|gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba细胞gydF4y2Ba
指定可选的逗号分隔的对gydF4y2Ba名称,值gydF4y2Ba
参数。gydF4y2Ba的名字gydF4y2Ba
参数名和gydF4y2Ba价值gydF4y2Ba
为对应值。gydF4y2Ba的名字gydF4y2Ba
必须出现在引号内。可以以任意顺序指定多个名称和值对参数gydF4y2BaName1, Value1,…,的家gydF4y2Ba
.gydF4y2Ba
边缘(Mdl, X, Y,“BinaryLoss”、“指数”,“解码”,“lossbased”)gydF4y2Ba
指定一个指数型二进制学习损耗函数和一个基于损耗聚合二进制损耗的解码方案。gydF4y2Ba
BinaryLossgydF4y2Ba
- - - - - -gydF4y2Ba二元学习者损失函数gydF4y2Ba“汉明”gydF4y2Ba
|gydF4y2Ba“线性”gydF4y2Ba
|gydF4y2Ba分对数的gydF4y2Ba
|gydF4y2Ba“指数”gydF4y2Ba
|gydF4y2Ba“binodeviance”gydF4y2Ba
|gydF4y2Ba“枢纽”gydF4y2Ba
|gydF4y2Ba“二次”gydF4y2Ba
|gydF4y2Ba函数处理gydF4y2Ba二元学习器损失函数,指定为逗号分隔对,由gydF4y2Ba“BinaryLoss”gydF4y2Ba
以及内置的损失函数名或函数句柄。gydF4y2Ba
该表描述了内置函数,其中gydF4y2BaygydF4y2BajgydF4y2Ba是一个特定二元学习者的类标签(在集合{- 1,1,0}中),gydF4y2Ba年代gydF4y2BajgydF4y2Ba分数是否供观察gydF4y2BajgydF4y2Ba,gydF4y2BaggydF4y2Ba(gydF4y2BaygydF4y2BajgydF4y2Ba,gydF4y2Ba年代gydF4y2BajgydF4y2Ba)为二进制损耗公式。gydF4y2Ba
价值gydF4y2Ba | 描述gydF4y2Ba | 分数域gydF4y2Ba | ggydF4y2Ba(gydF4y2BaygydF4y2BajgydF4y2Ba,gydF4y2Ba年代gydF4y2BajgydF4y2Ba)gydF4y2Ba |
---|---|---|---|
“binodeviance”gydF4y2Ba |
二项异常gydF4y2Ba | (-∞∞)gydF4y2Ba | 日志(1 + exp (2gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba日志(2)])]/ [2gydF4y2Ba |
“指数”gydF4y2Ba |
指数gydF4y2Ba | (-∞∞)gydF4y2Ba | exp (-gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba) / 2gydF4y2Ba |
“汉明”gydF4y2Ba |
汉明gydF4y2Ba | [0, 1]或(-∞,∞)gydF4y2Ba | [1 -符号(gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba) / 2gydF4y2Ba |
“枢纽”gydF4y2Ba |
铰链gydF4y2Ba | (-∞∞)gydF4y2Ba | 马克斯(0,1 -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba) / 2gydF4y2Ba |
“线性”gydF4y2Ba |
线性gydF4y2Ba | (-∞∞)gydF4y2Ba | (1 -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba) / 2gydF4y2Ba |
分对数的gydF4y2Ba |
物流gydF4y2Ba | (-∞∞)gydF4y2Ba | 日志[1 + exp (-gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba日志(2)])]/ [2gydF4y2Ba |
“二次”gydF4y2Ba |
二次gydF4y2Ba | [0, 1]gydF4y2Ba | (1 -gydF4y2BaygydF4y2BajgydF4y2Ba(2gydF4y2Ba年代gydF4y2BajgydF4y2Ba- 1))gydF4y2Ba2gydF4y2Ba/2gydF4y2Ba |
该软件使二进制损失正常化,因此损失是0.5时gydF4y2BaygydF4y2BajgydF4y2Ba= 0。此外,软件计算每个类的平均二进制损失。gydF4y2Ba
例如,对于自定义二进制损耗函数gydF4y2BacustomFunctiongydF4y2Ba
,指定其函数句柄gydF4y2BaBinaryLoss, @customFunctiongydF4y2Ba
.gydF4y2Ba
customFunctiongydF4y2Ba
这种形式:gydF4y2Ba
布劳斯= customFunction (M s)gydF4y2Ba
米gydF4y2Ba
是gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BalgydF4y2Ba存储在gydF4y2BaMdl。CodingMatrixgydF4y2Ba
.gydF4y2Ba
年代gydF4y2Ba
是1 -gydF4y2BalgydF4y2Ba分类分数的行向量。gydF4y2Ba
布劳斯gydF4y2Ba
是分类损失。这个标量集合了特定班级中每个学习者的二进制损失。例如,您可以使用平均二进制损失来汇总每个类的学习者的损失。gydF4y2Ba
KgydF4y2Ba为类数。gydF4y2Ba
lgydF4y2Ba是二元学习者的数量。gydF4y2Ba
有关传递自定义二进制损耗函数的示例,请参见gydF4y2Ba用自定义二元损耗函数预测ECOC模型的试样标签gydF4y2Ba.gydF4y2Ba
默认的gydF4y2BaBinaryLossgydF4y2Ba
值取决于二进制学习者返回的分数范围。该表描述了一些默认值gydF4y2BaBinaryLossgydF4y2Ba
基于给定假设的值。gydF4y2Ba
假设gydF4y2Ba | 默认值gydF4y2Ba |
---|---|
所有的二进制学习器都是支持向量机或支持向量机的线性或核分类模型。gydF4y2Ba | “枢纽”gydF4y2Ba |
所有的二元学习者都是由gydF4y2BaAdaboostM1gydF4y2Ba 或gydF4y2BaGentleBoostgydF4y2Ba .gydF4y2Ba |
“指数”gydF4y2Ba |
所有的二元学习者都是由gydF4y2BaLogitBoostgydF4y2Ba .gydF4y2Ba |
“binodeviance”gydF4y2Ba |
所有二元学习者都是logistic回归学习者的线性或核分类模型。或者,你指定通过设置来预测类的后验概率gydF4y2Ba“FitPosterior”,真的gydF4y2Ba 在gydF4y2BafitcecocgydF4y2Ba .gydF4y2Ba |
“二次”gydF4y2Ba |
若要检查默认值,请使用点符号来显示gydF4y2BaBinaryLossgydF4y2Ba
属性的训练模型在命令行。gydF4y2Ba
例子:gydF4y2Ba“BinaryLoss”、“binodeviance”gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
|gydF4y2Ba字符串gydF4y2Ba
|gydF4y2Bafunction_handlegydF4y2Ba
解码gydF4y2Ba
- - - - - -gydF4y2Ba解码方案gydF4y2Ba“lossweighted”gydF4y2Ba
(默认)|gydF4y2Ba“lossbased”gydF4y2Ba
聚合二进制损失的解码方案,指定为由。组成的逗号分隔对gydF4y2Ba“解码”gydF4y2Ba
和gydF4y2Ba“lossweighted”gydF4y2Ba
或gydF4y2Ba“lossbased”gydF4y2Ba
.有关更多信息,请参见gydF4y2Ba二元损失gydF4y2Ba.gydF4y2Ba
例子:gydF4y2Ba“解码”、“lossbased”gydF4y2Ba
ObservationsIngydF4y2Ba
- - - - - -gydF4y2Ba预测数据观测维数gydF4y2Ba“行”gydF4y2Ba
(默认)|gydF4y2Ba“列”gydF4y2Ba
预测器数据观测维数,由指定的逗号分隔对组成gydF4y2Ba“ObservationsIn”gydF4y2Ba
和gydF4y2Ba“列”gydF4y2Ba
或gydF4y2Ba“行”gydF4y2Ba
.gydF4y2BaMdl。BinaryLearnersgydF4y2Ba
必须包含gydF4y2BaClassificationLineargydF4y2Ba
模型。gydF4y2Ba
请注意gydF4y2Ba
如果您对预测器矩阵进行定位,使观察结果与列对应并指定gydF4y2Ba“ObservationsIn”、“列”gydF4y2Ba
,可以显著减少执行时间。你不能指定gydF4y2Ba“ObservationsIn”、“列”gydF4y2Ba
用于表中的预测器数据。gydF4y2Ba
选项gydF4y2Ba
- - - - - -gydF4y2Ba估计选项gydF4y2Ba[]gydF4y2Ba
(默认)|gydF4y2Ba返回的结构数组gydF4y2BastatsetgydF4y2Ba
估计选项,指定为逗号分隔的对,由gydF4y2Ba“选项”gydF4y2Ba
和返回的结构数组gydF4y2BastatsetgydF4y2Ba
.gydF4y2Ba
要调用并行计算:gydF4y2Ba
您需要一个并行计算工具箱™许可证。gydF4y2Ba
指定gydF4y2Ba“选项”,statset (UseParallel,真的)gydF4y2Ba
.gydF4y2Ba
详细的gydF4y2Ba
- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba0gydF4y2Ba
(默认)|gydF4y2Ba1gydF4y2Ba
详细程度,指定为逗号分隔对,由gydF4y2Ba“详细”gydF4y2Ba
和gydF4y2Ba0gydF4y2Ba
或gydF4y2Ba1gydF4y2Ba
.gydF4y2Ba详细的gydF4y2Ba
控制软件在命令窗口中显示的诊断消息的数量。gydF4y2Ba
如果gydF4y2Ba详细的gydF4y2Ba
是gydF4y2Ba0gydF4y2Ba
,则该软件不会显示诊断消息。否则,软件将显示诊断消息。gydF4y2Ba
例子:gydF4y2Ba“详细”,1gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
权重gydF4y2Ba
- - - - - -gydF4y2Ba观察权重gydF4y2Ba(大小(X, 1), 1)gydF4y2Ba
(默认)|gydF4y2Ba数值向量gydF4y2Ba|gydF4y2Ba变量名gydF4y2Ba资源描述gydF4y2Ba
观察权值,指定为逗号分隔的对,由gydF4y2Ba“重量”gydF4y2Ba
和一个数字向量或变量的名称gydF4y2Ba资源描述gydF4y2Ba
.如果你提供重量,gydF4y2Ba边缘gydF4y2Ba
计算加权gydF4y2Ba分类的优势gydF4y2Ba.gydF4y2Ba
如果您指定gydF4y2Ba权重gydF4y2Ba
作为一个数字向量,然后是gydF4y2Ba权重gydF4y2Ba
必须等于观测的次数gydF4y2BaXgydF4y2Ba
或gydF4y2Ba资源描述gydF4y2Ba
.该软件可实现gydF4y2Ba权重gydF4y2Ba
求和为各类的先验概率值。gydF4y2Ba
如果您指定gydF4y2Ba权重gydF4y2Ba
中的变量名gydF4y2Ba资源描述gydF4y2Ba
,则必须以字符向量或字符串标量的形式进行。例如,如果权重存储为gydF4y2Batbl.wgydF4y2Ba
,然后指定gydF4y2Ba权重gydF4y2Ba
作为gydF4y2Ba' w 'gydF4y2Ba
.否则,软件将对所有列进行处理gydF4y2Ba资源描述gydF4y2Ba
,包括gydF4y2Batbl.wgydF4y2Ba
预测因子。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba字符gydF4y2Ba
|gydF4y2Ba字符串gydF4y2Ba
egydF4y2Ba
——分类边缘gydF4y2Ba分类的优势gydF4y2Ba,作为数字标量或向量返回。gydF4y2BaegydF4y2Ba
的加权平均值gydF4y2Ba分类的利润率gydF4y2Ba.gydF4y2Ba
如果gydF4y2BaMdl。BinaryLearnersgydF4y2Ba
包含gydF4y2BaClassificationLineargydF4y2Ba
模型,然后gydF4y2BaegydF4y2Ba
是1 -gydF4y2BalgydF4y2Ba向量,gydF4y2BalgydF4y2Ba为线性分类模型中正则化强度的个数(gydF4y2Ba元素个数(Mdl.BinaryLearners {1} .Lambda)gydF4y2Ba
).的值gydF4y2Bae (j)gydF4y2Ba
模型的边缘是使用正则化强度训练的吗gydF4y2BaMdl.BinaryLearners {1} .Lambda (j)gydF4y2Ba
.gydF4y2Ba
否则,gydF4y2BaegydF4y2Ba
为标量值。gydF4y2Ba
的gydF4y2Ba分类的优势gydF4y2Ba为分类边界的加权平均值。gydF4y2Ba
在多个分类器中进行选择的一种方法是选择产生最大边的分类器,例如执行特征选择。gydF4y2Ba
的gydF4y2Ba分类保证金gydF4y2Ba为每次观察真实类的负损失与假类中最大负损失的差值。如果边际值在同一尺度上,则作为分类置信度的衡量标准。在众多分类公司中,那些利润率更高的公司表现更好。gydF4y2Ba
一个gydF4y2Ba二元损失gydF4y2Ba是类和分类分数的函数,它决定二元学习者如何将观察结果分类到类中。gydF4y2Ba
假设如下:gydF4y2Ba
米gydF4y2BakjgydF4y2Ba是元素(gydF4y2BakgydF4y2Ba,gydF4y2BajgydF4y2Ba)的编码设计矩阵gydF4y2Ba米gydF4y2Ba(即与类对应的代码gydF4y2BakgydF4y2Ba二进制的学习者gydF4y2BajgydF4y2Ba).gydF4y2Ba
年代gydF4y2BajgydF4y2Ba二元学习者的分数是多少gydF4y2BajgydF4y2Ba对于一个观察。gydF4y2Ba
ggydF4y2Ba为二进制损失函数。gydF4y2Ba
是观测的预测类。gydF4y2Ba
在gydF4y2Ba通过解码gydF4y2Ba(Escalera等。)gydF4y2Ba,对二进制学习者产生最小二进制损失和的类决定了观测的预测类,即,gydF4y2Ba
在gydF4y2Baloss-weighted解码gydF4y2Ba(Escalera等。)gydF4y2Ba,在二进制学习者上产生二进制损失最小平均的班级决定了观测的预测班级,即,gydF4y2Ba
Allwein et al。gydF4y2Ba提出损耗加权译码通过将所有类的损耗值保持在相同的动态范围内来提高分类精度。gydF4y2Ba
该表总结了支持的损耗函数,其中金宝appgydF4y2BaygydF4y2BajgydF4y2Ba是一个特定二元学习者的类标签(在集合{- 1,1,0}中),gydF4y2Ba年代gydF4y2BajgydF4y2Ba分数是否供观察gydF4y2BajgydF4y2Ba,gydF4y2BaggydF4y2Ba(gydF4y2BaygydF4y2BajgydF4y2Ba,gydF4y2Ba年代gydF4y2BajgydF4y2Ba).gydF4y2Ba
价值gydF4y2Ba | 描述gydF4y2Ba | 分数域gydF4y2Ba | ggydF4y2Ba(gydF4y2BaygydF4y2BajgydF4y2Ba,gydF4y2Ba年代gydF4y2BajgydF4y2Ba)gydF4y2Ba |
---|---|---|---|
“binodeviance”gydF4y2Ba |
二项异常gydF4y2Ba | (-∞∞)gydF4y2Ba | 日志(1 + exp (2gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba日志(2)])]/ [2gydF4y2Ba |
“指数”gydF4y2Ba |
指数gydF4y2Ba | (-∞∞)gydF4y2Ba | exp (-gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba) / 2gydF4y2Ba |
“汉明”gydF4y2Ba |
汉明gydF4y2Ba | [0, 1]或(-∞,∞)gydF4y2Ba | [1 -符号(gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba) / 2gydF4y2Ba |
“枢纽”gydF4y2Ba |
铰链gydF4y2Ba | (-∞∞)gydF4y2Ba | 马克斯(0,1 -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba) / 2gydF4y2Ba |
“线性”gydF4y2Ba |
线性gydF4y2Ba | (-∞∞)gydF4y2Ba | (1 -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba) / 2gydF4y2Ba |
分对数的gydF4y2Ba |
物流gydF4y2Ba | (-∞∞)gydF4y2Ba | 日志[1 + exp (-gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba日志(2)])]/ [2gydF4y2Ba |
“二次”gydF4y2Ba |
二次gydF4y2Ba | [0, 1]gydF4y2Ba | (1 -gydF4y2BaygydF4y2BajgydF4y2Ba(2gydF4y2Ba年代gydF4y2BajgydF4y2Ba- 1))gydF4y2Ba2gydF4y2Ba/2gydF4y2Ba |
该软件使二进制损失正常化,当损失是0.5gydF4y2BaygydF4y2BajgydF4y2Ba= 0,并使用二进制学习者的平均值进行聚合gydF4y2Ba(Allwein等。)gydF4y2Ba.gydF4y2Ba
不要将二进制损失与总体分类损失(由gydF4y2Ba“LossFun”gydF4y2Ba
的名称-值对参数gydF4y2Ba损失gydF4y2Ba
和gydF4y2Ba预测gydF4y2Ba
对象函数),它衡量ECOC分类器作为一个整体的执行情况。gydF4y2Ba
为了比较多个ECOC分类器的边缘或边缘,在训练过程中使用模板对象指定分类器之间的公共分数转换函数。gydF4y2Ba
艾尔温,E.夏皮尔,Y.辛格。《将多类减少为二进制:一种统一的保证金分类方法》。gydF4y2Ba机器学习研究杂志gydF4y2Ba.2000年第1卷,113-141页。gydF4y2Ba
Pujol, S. Escalera, S. O. Pujol, P. Radeva。《论三元纠错输出码的译码过程》。gydF4y2Ba模式分析与机器智能学报gydF4y2Ba.2010年第32卷第7期120-134页。gydF4y2Ba
Pujol, S. Escalera, S. O. Pujol, P. Radeva。用于纠错输出码稀疏设计的三元码的可分性。gydF4y2Ba模式RecogngydF4y2Ba.2009年第30卷第3期285-297页。gydF4y2Ba
使用注意事项及限制:gydF4y2Ba
边缘gydF4y2Ba
不支持高金宝appgydF4y2Ba表格gydF4y2Ba
数据的时候gydF4y2BaMdlgydF4y2Ba
包含内核或线性二进制学习器。gydF4y2Ba
有关更多信息,请参见gydF4y2Ba高大的数组gydF4y2Ba.gydF4y2Ba
要并行运行,请指定gydF4y2Ba“选项”gydF4y2Ba
调用此函数时的名称-值参数,并设置gydF4y2Ba“UseParallel”gydF4y2Ba
字段的选项结构gydF4y2Ba真正的gydF4y2Ba
使用gydF4y2BastatsetgydF4y2Ba
.gydF4y2Ba
例如:gydF4y2Ba“选项”,statset (UseParallel,真的)gydF4y2Ba
有关并行计算的更多信息,请参见gydF4y2Ba运行MATLAB函数与自动并行支持金宝appgydF4y2Ba(并行计算工具箱)gydF4y2Ba.gydF4y2Ba
使用注意事项及限制:gydF4y2Ba
边缘gydF4y2Ba
仅在这些情况下在GPU上执行:gydF4y2Ba
输入参数gydF4y2BaXgydF4y2Ba
是一个gydF4y2BagpuArraygydF4y2Ba
.gydF4y2Ba
输入参数gydF4y2Ba资源描述gydF4y2Ba
包含gydF4y2BagpuArraygydF4y2Ba
预测变量。gydF4y2Ba
输入参数gydF4y2BamdlgydF4y2Ba
采用GPU阵列输入参数,不使用SVM学习器。gydF4y2Ba
用分类树学习器训练的模型不支持代理分割。金宝appgydF4y2Ba
有关更多信息,请参见gydF4y2Ba在GPU上运行MATLAB函数gydF4y2Ba(并行计算工具箱)gydF4y2Ba.gydF4y2Ba
ClassificationECOCgydF4y2Ba
|gydF4y2BaCompactClassificationECOCgydF4y2Ba
|gydF4y2Ba保证金gydF4y2Ba
|gydF4y2BaresubEdgegydF4y2Ba
|gydF4y2Ba预测gydF4y2Ba
|gydF4y2BafitcecocgydF4y2Ba
|gydF4y2Ba损失gydF4y2Ba
你点击一个链接对应于这个MATLAB命令:gydF4y2Ba
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝appgydF4y2Ba
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:gydF4y2Ba.gydF4y2Ba
选择gydF4y2Ba网站gydF4y2Ba你也可以从以下列表中选择一个网站:gydF4y2Ba
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。gydF4y2Ba