多类纠错输出码(ECOC)模型的再替换分类损失gydF4y2Ba
通过重新替换返回分类损失(gydF4y2BalgydF4y2Ba
= resubLoss (gydF4y2BaMdlgydF4y2Ba
)gydF4y2BalgydF4y2Ba
),用于多类纠错输出码(ECOC)模型gydF4y2BaMdlgydF4y2Ba
使用存储在gydF4y2BaMdl。XgydF4y2Ba
和相应的类标签存储在gydF4y2BaMdl。YgydF4y2Ba
.默认情况下,gydF4y2BaresubLossgydF4y2Ba
使用gydF4y2Ba分类错误gydF4y2Ba来计算gydF4y2BalgydF4y2Ba
.gydF4y2Ba
分类损失(gydF4y2BalgydF4y2Ba
)是一种泛化或再替代质量度量。它的解释取决于损失函数和加权方案,但一般来说,更好的分类器产生更小的分类损失值。gydF4y2Ba
返回带有由一个或多个名称-值对参数指定的附加选项的分类损失。例如,可以指定丢失函数、解码方案和详细级别。gydF4y2BalgydF4y2Ba
= resubLoss (gydF4y2BaMdlgydF4y2Ba
,gydF4y2Ba名称,值gydF4y2Ba
)gydF4y2Ba
用支持向量机二进制学习器计算ECOC模型的再替换损失。gydF4y2Ba
载入费雪的虹膜数据集。指定预测器数据gydF4y2BaXgydF4y2Ba
以及响应数据gydF4y2BaYgydF4y2Ba
.gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2BaX =量;Y =物种;gydF4y2Ba
使用支持向量机二分类器训练ECOC模型。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);classOrder =独特(Y)gydF4y2Ba
classOrder =gydF4y2Ba3 x1细胞gydF4y2Ba{'setosa'} {'versicolor'} {'virginica'}gydF4y2Ba
Mdl = fitcecoc (X, Y,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“类名”gydF4y2Ba, classOrder);gydF4y2Ba
tgydF4y2Ba
是一个支持向量机模板对象。在培训期间,软件使用默认值的空属性gydF4y2BatgydF4y2Ba
.gydF4y2BaMdlgydF4y2Ba
是一个gydF4y2BaClassificationECOCgydF4y2Ba
模型。gydF4y2Ba
估计再替换分类错误,即默认分类损失。gydF4y2Ba
L = resubLoss (Mdl)gydF4y2Ba
L = 0.0267gydF4y2Ba
ECOC模型误分类2.67%的训练样本虹膜。gydF4y2Ba
通过使用自定义损耗函数确定ECOC模型的质量,该函数考虑每个观测的最小二进制损耗。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gydF4y2Ba
classOrder =gydF4y2Ba3 x1分类gydF4y2Basetosa杂色的virginicagydF4y2Ba
rng (1);gydF4y2Ba%的再现性gydF4y2Ba
使用支持向量机二分类器训练ECOC模型。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);Mdl = fitcecoc (X, Y,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“类名”gydF4y2Ba, classOrder);gydF4y2Ba
tgydF4y2Ba
是一个支持向量机模板对象。在培训期间,软件使用默认值的空属性gydF4y2BatgydF4y2Ba
.gydF4y2BaMdlgydF4y2Ba
是一个gydF4y2BaClassificationECOCgydF4y2Ba
模型。gydF4y2Ba
创建一个函数,取每个观测的最小损失,然后取所有观测的最小损失的平均值。gydF4y2Ba年代gydF4y2Ba
对应于gydF4y2BaNegLossgydF4y2Ba
的输出gydF4y2BaresubPredictgydF4y2Ba
.gydF4y2Ba
lossfun = @ (~ S ~ ~)意味着(最低(- S, [], 2));gydF4y2Ba
计算训练数据的自定义分类损失。gydF4y2Ba
resubLoss (MdlgydF4y2Ba“LossFun”gydF4y2Balossfun)gydF4y2Ba
ans = 0.0065gydF4y2Ba
训练数据的最小二进制平均损失为gydF4y2Ba0.0065gydF4y2Ba
.gydF4y2Ba
MdlgydF4y2Ba
- - - - - -gydF4y2Ba完整的,训练过的多类ECOC模型gydF4y2BaClassificationECOCgydF4y2Ba
模型gydF4y2Ba完整的,训练过的多级ECOC模型,指定为gydF4y2BaClassificationECOCgydF4y2Ba
模型训练gydF4y2BafitcecocgydF4y2Ba
.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
resubLoss (Mdl‘BinaryLoss’,‘汉明’,‘LossFun’,@lossfun)gydF4y2Ba
指定gydF4y2Ba“汉明”gydF4y2Ba
作为二进制学习者的损失函数和自定义函数的处理gydF4y2Ba@lossfungydF4y2Ba
作为整体损失函数。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。CodingMatrix
.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
LossFungydF4y2Ba
- - - - - -gydF4y2Ba损失函数gydF4y2Ba“classiferror”gydF4y2Ba
(默认)|gydF4y2Ba函数处理gydF4y2Ba损失函数,指定为逗号分隔对组成gydF4y2Ba“LossFun”gydF4y2Ba
和gydF4y2Ba“classiferror”gydF4y2Ba
或者函数句柄。gydF4y2Ba
指定内置函数gydF4y2Ba“classiferror”gydF4y2Ba
.在这种情况下,损失函数是gydF4y2Ba分类错误gydF4y2Ba,这是分类错误的观察的比例。gydF4y2Ba
或者,使用函数句柄表示法指定自己的函数。gydF4y2Ba
假设gydF4y2Ban =大小(X, 1)gydF4y2Ba
样品大小和gydF4y2BaKgydF4y2Ba
为类数。您的函数必须有签名gydF4y2Balossvalue = lossfun (C、S、W、成本)gydF4y2Ba
,地点:gydF4y2Ba
输出参数gydF4y2BalossvaluegydF4y2Ba
是一个标量。gydF4y2Ba
指定函数名(gydF4y2BalossfungydF4y2Ba
).gydF4y2Ba
CgydF4y2Ba
是一个gydF4y2BangydF4y2Ba
——- - - - - -gydF4y2BaKgydF4y2Ba
逻辑矩阵,其行表示相应的观测所属的类。中的列顺序对应于类的顺序gydF4y2BaMdl。ClassNames
.gydF4y2Ba
构造gydF4y2BaCgydF4y2Ba
通过设置gydF4y2BaC (p, q) = 1gydF4y2Ba
如果观察gydF4y2BapgydF4y2Ba
是在课堂上gydF4y2Ba问gydF4y2Ba
,每一行。设置行中的所有其他元素gydF4y2BapgydF4y2Ba
来gydF4y2Ba0gydF4y2Ba
.gydF4y2Ba
年代gydF4y2Ba
是一个gydF4y2BangydF4y2Ba
——- - - - - -gydF4y2BaKgydF4y2Ba
类的负损失值的数值矩阵。每一行对应一个观察值。中的列顺序对应于类的顺序gydF4y2BaMdl。ClassNames
.输入gydF4y2Ba年代gydF4y2Ba
类似于输出参数gydF4y2BaNegLossgydF4y2Ba
的gydF4y2BaresubPredictgydF4y2Ba
.gydF4y2Ba
WgydF4y2Ba
是一个gydF4y2BangydF4y2Ba
-乘1数值向量的观测权值。如果你通过gydF4y2BaWgydF4y2Ba
,软件将其元素的总和标准化为gydF4y2Ba1gydF4y2Ba
.gydF4y2Ba
成本gydF4y2Ba
是一个gydF4y2BaKgydF4y2Ba
——- - - - - -gydF4y2BaKgydF4y2Ba
误分类代价的数值矩阵。例如,gydF4y2BaCost = ones(K) - eye(K)gydF4y2Ba
指定正确分类的代价为0,错误分类的代价为1。gydF4y2Ba
使用以下命令指定函数gydF4y2BaLossFun, @lossfungydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
|gydF4y2Ba字符串gydF4y2Ba
|gydF4y2Bafunction_handlegydF4y2Ba
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
的gydF4y2Ba分类错误gydF4y2Ba二值分类误差测量有形式吗gydF4y2Ba
地点:gydF4y2Ba
wgydF4y2BajgydF4y2Ba重量是用于观察的吗gydF4y2BajgydF4y2Ba.软件将权重重归一。gydF4y2Ba
egydF4y2BajgydF4y2Ba= 1如果预测的观察类gydF4y2BajgydF4y2Ba与真正的类不同,否则为0。gydF4y2Ba
也就是说,分类误差是分类器误分类观测值的比例。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
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
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
该功能完全支持GPU阵列。金宝app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
|gydF4y2Ba损失gydF4y2Ba
|gydF4y2Ba预测gydF4y2Ba
|gydF4y2BaresubPredictgydF4y2Ba
|gydF4y2BafitcecocgydF4y2Ba
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