主要内容GydF4y2Ba

利润GydF4y2Ba

多类纠错输出码(ECOC)模型的分类裕度GydF4y2Ba

页面上倒塌GydF4y2Ba

句法GydF4y2Ba

m =余量（MDL，TBL，ResponseVarname）GydF4y2Ba
m =利润率(Mdl台,Y)GydF4y2Ba
m =余量（mdl，x，y）GydF4y2Ba
m =利润(GydF4y2Ba___GydF4y2Ba、名称、值)GydF4y2Ba

描述GydF4y2Ba

mGydF4y2Ba=边缘（GydF4y2BaMDL.GydF4y2Ba那GydF4y2Ba资源描述GydF4y2Ba那GydF4y2BaResponseVarNameGydF4y2Ba）GydF4y2Ba返回GydF4y2Ba分类边距GydF4y2Ba（GydF4y2BamGydF4y2Ba）对于训练有素的多款纠错输出代码（ECOC）模型GydF4y2BaMDL.GydF4y2Ba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

mGydF4y2Ba=边缘（GydF4y2BaMDL.GydF4y2Ba那GydF4y2Ba资源描述GydF4y2Ba那GydF4y2BayGydF4y2Ba）GydF4y2Ba返回分类器的分类边距GydF4y2BaMDL.GydF4y2Ba使用表中的预测数据GydF4y2Ba资源描述GydF4y2Ba和向量中的班级标签GydF4y2BayGydF4y2Ba．GydF4y2Ba

例子GydF4y2Ba

mGydF4y2Ba=边缘（GydF4y2BaMDL.GydF4y2Ba那GydF4y2BaXGydF4y2Ba那GydF4y2BayGydF4y2Ba）GydF4y2Ba返回分类器的分类边距GydF4y2BaMDL.GydF4y2Ba利用矩阵中的预测数据GydF4y2BaXGydF4y2Ba和班级标签GydF4y2BayGydF4y2Ba．GydF4y2Ba

mGydF4y2Ba=边缘（GydF4y2Ba___GydF4y2Ba那GydF4y2Ba名称，价值GydF4y2Ba）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。GydF4y2Ba

例子GydF4y2Ba

全部收缩GydF4y2Ba

打开直播脚本GydF4y2Ba

使用支持向量机二进制学习器计算ECOC模型的测试样本分类边缘。GydF4y2Ba

装载Fisher的Iris数据集。指定预测器数据GydF4y2BaXGydF4y2Ba，响应数据GydF4y2BayGydF4y2Ba，和班级的顺序GydF4y2BayGydF4y2Ba．GydF4y2Ba

加载GydF4y2Ba渔民GydF4y2BaX =量;Y =分类(物种);classOrder =独特(Y);GydF4y2Ba％班级订单GydF4y2Barng (1)GydF4y2Ba%的再现性GydF4y2Ba

使用SVM二进制分类器列车ecoc模型。指定30％HoldOut示例，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％提取培训，紧凑型分类器GydF4y2Ba

PMdlGydF4y2Ba是一个GydF4y2BaClassificationPartitionedECOCGydF4y2Ba模型。它有一个属性GydF4y2Ba训练有素的GydF4y2Ba，包含一个1×1个单元阵列GydF4y2BaCompactClassificeCoc.GydF4y2Ba软件使用训练集进行训练的模型。GydF4y2Ba

计算测试样本分类边缘。使用箱线图显示页边距的分布。GydF4y2Ba

testinds = test（pmdl.partition）;GydF4y2Ba％提取测试索引GydF4y2BaXTest = X (testInds:);欧美= Y (testInds:);m =利润率(Mdl XTest、欧美);箱线图(m)标题(GydF4y2Ba'测试样本边缘'GydF4y2Ba）GydF4y2Ba

图中包含一个坐标轴。标题为Test-Sample Margins的轴包含7个类型为line的对象。GydF4y2Ba

观察的分类边际是正级否定损失减去最大负级否定损失。选择产生相对大的边距的分类器。GydF4y2Ba

打开直播脚本GydF4y2Ba

通过比较来自多种模型的测试样本边距来执行特征选择。仅基于此比较，利润率最大的模型是最佳型号。GydF4y2Ba

装载Fisher的Iris数据集。指定预测器数据GydF4y2BaXGydF4y2Ba，响应数据GydF4y2BayGydF4y2Ba，和班级的顺序GydF4y2BayGydF4y2Ba．GydF4y2Ba

加载GydF4y2Ba渔民GydF4y2BaX =量;Y =分类(物种);classOrder =独特(Y);GydF4y2Ba％班级订单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测试集的％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包含所有四个预测因子。GydF4y2Ba

  • partx.GydF4y2Ba仅包含Sepal测量。GydF4y2Ba

fullx = x;partx = x（：，1：2）;GydF4y2Ba

使用SVM二进制分类器培训ECOC模型，每个预测器集。指定分区定义，使用SVM模板标准化预测器，并定义类顺序。GydF4y2Ba

t = templateSVM (GydF4y2Ba“标准化”GydF4y2Ba,真正的);fullpmdl = fitcecoc（fullx，y，GydF4y2Ba“CVPartition”GydF4y2Ba分区,GydF4y2Ba'学习者'GydF4y2BatGydF4y2Ba．..GydF4y2Ba“类名”GydF4y2Ba, classOrder);partpmdl = fitcecoc（partx，y，GydF4y2Ba“CVPartition”GydF4y2Ba分区,GydF4y2Ba'学习者'GydF4y2BatGydF4y2Ba．..GydF4y2Ba“类名”GydF4y2Ba, classOrder);fullmdl = fullpmdl.trained {1};partmdl = partpmdl.tromed {1};GydF4y2Ba

fullpmdl.GydF4y2Ba和GydF4y2BapartPMdlGydF4y2Ba是GydF4y2BaClassificationPartitionedECOCGydF4y2Ba模型。每个模型都有这个属性GydF4y2Ba训练有素的GydF4y2Ba，包含一个1×1个单元阵列GydF4y2BaCompactClassificeCoc.GydF4y2Ba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距。对于每个模型，使用Boxplot显示边距的分布。GydF4y2Ba

fullMargins =利润率(fullMdl XTest、欧美);partMargins =利润率(partMdl XTest(:, 1:2),次);箱线图([fullMargins partMargins),GydF4y2Ba“标签”GydF4y2Ba，{GydF4y2Ba“所有预测”GydF4y2Ba那GydF4y2Ba'两个预测器'GydF4y2Ba}） 标题（GydF4y2Ba'测试样品边缘的Boxplots'GydF4y2Ba）GydF4y2Ba

图中包含一个坐标轴。带有测试样品边缘的标题盒子的轴包含14个类型的线。GydF4y2Ba

的边际分布GydF4y2Baullmdl.GydF4y2Ba位于较高，并且与边缘分布的可变性较少GydF4y2Bapartmdl.GydF4y2Ba．GydF4y2Ba

输入参数GydF4y2Ba

全部收缩GydF4y2Ba

完整或紧凑的多种多组ECOC模型，指定为aGydF4y2BaClassifiedecoc.GydF4y2Ba或者GydF4y2BaCompactClassificeCoc.GydF4y2Ba模型对象。GydF4y2Ba

要创建完整或紧凑的ECOC模型，请参见GydF4y2BaClassifiedecoc.GydF4y2Ba或者GydF4y2BaCompactClassificeCoc.GydF4y2Ba．GydF4y2Ba

样本数据，指定为表。每一排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重的附加列。GydF4y2Ba资源描述GydF4y2Ba必须包含所有用于训练的预测因子吗GydF4y2BaMDL.GydF4y2Ba．不允许使用除了字符向量的单元格阵列之外的多色变量和单元阵列。GydF4y2Ba

如果你训练GydF4y2BaMDL.GydF4y2Ba使用包含的示例数据GydF4y2Ba桌子GydF4y2Ba，然后输入数据GydF4y2Ba利润GydF4y2Ba也必须在桌子里。GydF4y2Ba

当训练GydF4y2BaMDL.GydF4y2Ba，假设你设置了GydF4y2Ba'标准化'，真实GydF4y2Ba中指定的模板对象GydF4y2Ba'学习者'GydF4y2Ba名称 - 值对参数GydF4y2Bafitcecoc.GydF4y2Ba．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和标准偏差GydF4y2BaMdl.BinaryLearner {j} .SigmaGydF4y2Ba．GydF4y2Ba

数据类型:GydF4y2Ba桌子GydF4y2Ba

响应变量名称，指定为变量的名称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GydF4y2BaMDL.GydF4y2Ba，那么你不需要指定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.y.GydF4y2Ba,然后指定GydF4y2BaResponseVarNameGydF4y2Ba作为GydF4y2Ba'是'GydF4y2Ba．否则，软件将对所有列进行处理GydF4y2Ba资源描述GydF4y2Ba,包括GydF4y2Batbl.y.GydF4y2Ba作为预测因素。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

预测器数据，指定为数字矩阵。GydF4y2Ba

每一排GydF4y2BaXGydF4y2Ba对应于一个观察，并且每列对应于一个变量。列中的变量GydF4y2BaXGydF4y2Ba必须与培训分类器的变量相同GydF4y2BaMDL.GydF4y2Ba．GydF4y2Ba

行数GydF4y2BaXGydF4y2Ba必须等于行的数量GydF4y2BayGydF4y2Ba．GydF4y2Ba

当训练GydF4y2BaMDL.GydF4y2Ba，假设你设置了GydF4y2Ba'标准化'，真实GydF4y2Ba中指定的模板对象GydF4y2Ba'学习者'GydF4y2Ba名称 - 值对参数GydF4y2Bafitcecoc.GydF4y2Ba．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和标准偏差GydF4y2BaMdl.BinaryLearner {j} .SigmaGydF4y2Ba．GydF4y2Ba

数据类型:GydF4y2Ba双GydF4y2Ba|GydF4y2Ba单GydF4y2Ba

类标签，指定为分类，字符或字符串阵列，逻辑或数字矢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.classnames.GydF4y2Ba．GydF4y2Ba（该软件将字符串数组视为字符向量的单元格阵列。）GydF4y2Ba

行数GydF4y2BayGydF4y2Ba必须等于行的数量GydF4y2Ba资源描述GydF4y2Ba或者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

名称值对参数GydF4y2Ba

指定可选的逗号分离对GydF4y2Ba名称，价值GydF4y2Ba参数。GydF4y2Ba的名字GydF4y2Ba是参数名称和GydF4y2Ba价值GydF4y2Ba是相应的价值。GydF4y2Ba的名字GydF4y2Ba必须出现在引号内。您可以以任何顺序指定多个名称和值对参数GydF4y2BaName1, Value1,…,的家GydF4y2Ba．GydF4y2Ba

例子:GydF4y2Ba边缘（MDL，TBL，'Y'，'Binaryloss'，'exponential'）GydF4y2Ba指定指数二进制学习者丢失函数。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

  • 此表介绍了内置函数，其中GydF4y2BayGydF4y2BajGydF4y2Ba是一个特定二元学习者的类标签(在集合{- 1,1,0}中)，GydF4y2BaS.GydF4y2BajGydF4y2Ba分数是否供观察GydF4y2BajGydF4y2Ba， 和GydF4y2BaGGydF4y2Ba（GydF4y2BayGydF4y2BajGydF4y2Ba那GydF4y2BaS.GydF4y2BajGydF4y2Ba)为二进制损耗公式。GydF4y2Ba

    价值GydF4y2Ba 描述GydF4y2Ba 得分领域GydF4y2Ba GGydF4y2Ba（GydF4y2BayGydF4y2BajGydF4y2Ba那GydF4y2BaS.GydF4y2BajGydF4y2Ba）GydF4y2Ba
    'binodeviance'GydF4y2Ba 二项式偏差GydF4y2Ba （ - ∞，∞）GydF4y2Ba 日志[1 + exp（-2GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba）] / [2log（2）]GydF4y2Ba
    “指数”GydF4y2Ba 指数GydF4y2Ba （ - ∞，∞）GydF4y2Ba exp（ -GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba) / 2GydF4y2Ba
    '汉明'GydF4y2Ba 汉字GydF4y2Ba [0, 1]或(-∞,∞)GydF4y2Ba [1 - 符号（GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba）] / 2GydF4y2Ba
    '合页'GydF4y2Ba 合页GydF4y2Ba （ - ∞，∞）GydF4y2Ba 马克斯(0,1 -GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba) / 2GydF4y2Ba
    '线性'GydF4y2Ba 线性GydF4y2Ba （ - ∞，∞）GydF4y2Ba (1 -GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba) / 2GydF4y2Ba
    'logit'GydF4y2Ba 物流GydF4y2Ba （ - ∞，∞）GydF4y2Ba 日志[1 + exp（ -GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba）] / [2log（2）]GydF4y2Ba
    “二次”GydF4y2Ba 二次GydF4y2Ba [0,1]GydF4y2Ba [1 -GydF4y2BayGydF4y2BajGydF4y2Ba（2GydF4y2BaS.GydF4y2BajGydF4y2Ba- 1))GydF4y2Ba2GydF4y2Ba/ 2.GydF4y2Ba

    该软件规范二进制损耗，以便损失为0.5何时GydF4y2BayGydF4y2BajGydF4y2Ba＝ 0.此外，软件计算每个类的平均二进制损失。GydF4y2Ba

  • 例如，对于自定义二进制丢失函数GydF4y2BaCustomFunction.GydF4y2Ba，指定其功能句柄GydF4y2BaBinaryLoss, @customFunctionGydF4y2Ba．GydF4y2Ba

    CustomFunction.GydF4y2Ba这种形式:GydF4y2Ba

    bloss = customfunction（m，s）GydF4y2Ba
    在哪里：GydF4y2Ba

    • mGydF4y2Ba是个GydF4y2BaK.GydF4y2Ba——- - - - - -GydF4y2BaL.GydF4y2Ba存储在GydF4y2Bamdl.codingmatrix.GydF4y2Ba．GydF4y2Ba

    • S.GydF4y2Ba是1-by-GydF4y2BaL.GydF4y2Ba分类分数的行向量。GydF4y2Ba

    • 布劳斯GydF4y2Ba是分类损失。此标量将每个学习者的二进制损耗聚集在特定类中的每个学习者。例如，您可以使用平均二进制丢失来聚合每个类的学习者丢失。GydF4y2Ba

    • K.GydF4y2Ba是课程的数量。GydF4y2Ba

    • L.GydF4y2Ba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使用自定义二进制损耗函数预测Ecoc模型的测试样本标签GydF4y2Ba．GydF4y2Ba

默认值GydF4y2Ba二进制数GydF4y2Ba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GydF4y2Ba二进制数GydF4y2Ba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 '合页'GydF4y2Ba
所有二进制学习者都是培训的乐队GydF4y2BaAdaboostM1GydF4y2Ba或者GydF4y2Ba温博GydF4y2Ba．GydF4y2Ba “指数”GydF4y2Ba
所有二进制学习者都是培训的乐队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GydF4y2Bafitcecoc.GydF4y2Ba．GydF4y2Ba “二次”GydF4y2Ba

要检查默认值，请使用点表示法显示GydF4y2Ba二进制数GydF4y2Ba在命令行的训练模型的属性。GydF4y2Ba

例子:GydF4y2Ba'binaryloss'，'binodeviance'GydF4y2Ba

数据类型:GydF4y2Ba字符GydF4y2Ba|GydF4y2Ba字符串GydF4y2Ba|GydF4y2Bafunction_handle.GydF4y2Ba

汇总二进制损耗的解码方案，指定为逗号分隔的对组成GydF4y2Ba'解码'GydF4y2Ba和GydF4y2Ba“失去重量”GydF4y2Ba或者GydF4y2Ba“lossbased”GydF4y2Ba．有关更多信息，请参阅GydF4y2Ba二元损失GydF4y2Ba．GydF4y2Ba

例子:GydF4y2Ba'解码'，'丢失'GydF4y2Ba

预测数据观察维度，指定为逗号分隔的对GydF4y2Ba“ObservationsIn”GydF4y2Ba和GydF4y2Ba'列'GydF4y2Ba或者GydF4y2Ba'行'GydF4y2Ba．GydF4y2BaMdl。BinaryLearnersGydF4y2Ba必须包含GydF4y2Ba分类线性GydF4y2Ba模型。GydF4y2Ba

笔记GydF4y2Ba

如果您定位预测矩阵，以便观察对应于列并指定GydF4y2Ba“ObservationsIn”、“列”GydF4y2Ba，您可以体验执行时间的显着减少。您无法指定GydF4y2Ba“ObservationsIn”、“列”GydF4y2Ba对于表中的预测数据。GydF4y2Ba

估计选项，指定为逗号分隔的对，由GydF4y2Ba“选项”GydF4y2Ba和返回的结构阵列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

详细程度，指定为逗号分隔对，由GydF4y2Ba“详细”GydF4y2Ba和GydF4y2Ba0.GydF4y2Ba或者GydF4y2Ba1GydF4y2Ba．GydF4y2BaverbGydF4y2Ba控制软件在命令窗口中显示的诊断消息的数量。GydF4y2Ba

如果GydF4y2BaverbGydF4y2Ba是GydF4y2Ba0.GydF4y2Ba，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

输出参数GydF4y2Ba

全部收缩GydF4y2Ba

分类的利润率GydF4y2Ba，作为数字列向量或数字矩阵返回。GydF4y2Ba

如果GydF4y2BaMdl。BinaryLearnersGydF4y2Ba包含GydF4y2Ba分类线性GydF4y2Ba那么GydF4y2BamGydF4y2Ba是一个GydF4y2BaNGydF4y2Ba——- - - - - -GydF4y2BaL.GydF4y2Ba矢量，在那里GydF4y2BaNGydF4y2Ba是观察人数GydF4y2BaXGydF4y2Ba和GydF4y2BaL.GydF4y2Ba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）。价值GydF4y2Bam（i，j）GydF4y2Ba是观察的边际吗GydF4y2Ba一世GydF4y2Ba对于使用正则化强度训练的模型GydF4y2Bamdl.binarylearners {1} .lambda（j）GydF4y2Ba．GydF4y2Ba

否则,GydF4y2BamGydF4y2Ba是长度的柱矢量GydF4y2BaNGydF4y2Ba．GydF4y2Ba

更多关于GydF4y2Ba

全部收缩GydF4y2Ba

二元损失GydF4y2Ba

一种GydF4y2Ba二进制损失GydF4y2Ba是类和分类分数的函数，它决定了二进制学习者将观察分类到类中的程度。GydF4y2Ba

假设以下内容：GydF4y2Ba

  • mGydF4y2BaKJ.GydF4y2Ba是元素（GydF4y2BaK.GydF4y2Ba那GydF4y2BajGydF4y2Ba）编码设计矩阵GydF4y2BamGydF4y2Ba（即，对应于类的代码GydF4y2BaK.GydF4y2Ba二进制的学习者GydF4y2BajGydF4y2Ba）。GydF4y2Ba

  • S.GydF4y2BajGydF4y2Ba是二进制学习者的分数GydF4y2BajGydF4y2Ba对于一个观察。GydF4y2Ba

  • GGydF4y2Ba为二进制损失函数。GydF4y2Ba

  • K.GydF4y2Ba ^GydF4y2Ba 是预测的观察类。GydF4y2Ba

在GydF4y2Ba基于损失的解码GydF4y2Ba[escalera等。]GydF4y2Ba，制作二进制学习者的二进制损失的最小总和的类决定了观察的预测类，即GydF4y2Ba

K.GydF4y2Ba ^GydF4y2Ba =GydF4y2Ba argminGydF4y2Ba K.GydF4y2Ba σ.GydF4y2Ba jGydF4y2Ba =GydF4y2Ba 1GydF4y2Ba L.GydF4y2Ba |GydF4y2Ba mGydF4y2Ba K.GydF4y2Ba jGydF4y2Ba |GydF4y2Ba GGydF4y2Ba （GydF4y2Ba mGydF4y2Ba K.GydF4y2Ba jGydF4y2Ba 那GydF4y2Ba S.GydF4y2Ba jGydF4y2Ba ）GydF4y2Ba ．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

K.GydF4y2Ba ^GydF4y2Ba =GydF4y2Ba argminGydF4y2Ba K.GydF4y2Ba σ.GydF4y2Ba jGydF4y2Ba =GydF4y2Ba 1GydF4y2Ba L.GydF4y2Ba |GydF4y2Ba mGydF4y2Ba K.GydF4y2Ba jGydF4y2Ba |GydF4y2Ba GGydF4y2Ba （GydF4y2Ba mGydF4y2Ba K.GydF4y2Ba jGydF4y2Ba 那GydF4y2Ba S.GydF4y2Ba jGydF4y2Ba ）GydF4y2Ba σ.GydF4y2Ba jGydF4y2Ba =GydF4y2Ba 1GydF4y2Ba L.GydF4y2Ba |GydF4y2Ba mGydF4y2Ba K.GydF4y2Ba jGydF4y2Ba |GydF4y2Ba ．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

此表总结了支持的损耗功能，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)，GydF4y2BaS.GydF4y2BajGydF4y2Ba分数是否供观察GydF4y2BajGydF4y2Ba， 和GydF4y2BaGGydF4y2Ba（GydF4y2BayGydF4y2BajGydF4y2Ba那GydF4y2BaS.GydF4y2BajGydF4y2Ba）。GydF4y2Ba

价值GydF4y2Ba 描述GydF4y2Ba 得分领域GydF4y2Ba GGydF4y2Ba（GydF4y2BayGydF4y2BajGydF4y2Ba那GydF4y2BaS.GydF4y2BajGydF4y2Ba）GydF4y2Ba
'binodeviance'GydF4y2Ba 二项式偏差GydF4y2Ba （ - ∞，∞）GydF4y2Ba 日志[1 + exp（-2GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba）] / [2log（2）]GydF4y2Ba
“指数”GydF4y2Ba 指数GydF4y2Ba （ - ∞，∞）GydF4y2Ba exp（ -GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba) / 2GydF4y2Ba
'汉明'GydF4y2Ba 汉字GydF4y2Ba [0, 1]或(-∞,∞)GydF4y2Ba [1 - 符号（GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba）] / 2GydF4y2Ba
'合页'GydF4y2Ba 合页GydF4y2Ba （ - ∞，∞）GydF4y2Ba 马克斯(0,1 -GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba) / 2GydF4y2Ba
'线性'GydF4y2Ba 线性GydF4y2Ba （ - ∞，∞）GydF4y2Ba (1 -GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba) / 2GydF4y2Ba
'logit'GydF4y2Ba 物流GydF4y2Ba （ - ∞，∞）GydF4y2Ba 日志[1 + exp（ -GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba）] / [2log（2）]GydF4y2Ba
“二次”GydF4y2Ba 二次GydF4y2Ba [0,1]GydF4y2Ba [1 -GydF4y2BayGydF4y2BajGydF4y2Ba（2GydF4y2BaS.GydF4y2BajGydF4y2Ba- 1))GydF4y2Ba2GydF4y2Ba/ 2.GydF4y2Ba

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

分类保证金GydF4y2Ba

这GydF4y2Ba分类保证金GydF4y2Ba对于每个观察，对于真正类别的负损失和虚假类之间的最大负损失之间的差异。如果利润率在相同的范围内，则它们作为分类信心措施。在多个分类器中，产生更大的边缘的分类器更好。GydF4y2Ba

提示GydF4y2Ba

  • 要比较几个ECOC分类器的边缘或边缘，请使用模板对象在培训期间指定分类器中的共同变换功能。GydF4y2Ba

参考文献GydF4y2Ba

[1] Allwein，E.，R. Schapire和Y.歌手。“减少二进制文件的多牌：保证金分类的统一方法。”GydF4y2Ba机床学习研究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图案分析和机器智能的IEEE交易GydF4y2Ba．2010年第32卷第7期120-134页。GydF4y2Ba

[3] Escalera，S.，O. Pujol和P. Radeva。“用于纠错输出代码稀疏设计的三元代码的可分离。”GydF4y2Ba模式识别GydF4y2Ba．2009年第30卷第3期285-297页。GydF4y2Ba

扩展功能GydF4y2Ba

也可以看看GydF4y2Ba

|GydF4y2Ba|GydF4y2Ba|GydF4y2Ba|GydF4y2Ba|GydF4y2Ba|GydF4y2Ba

话题GydF4y2Ba

在R2014B中介绍GydF4y2Ba

统计和机器学习工具箱文档GydF4y2Ba

金宝app

掌握机器学习：使用MATLAB逐步指南GydF4y2Ba

掌握机器学习：使用MATLAB逐步指南GydF4y2Ba

下载电子书GydF4y2Ba