在多种误差校正输出代码(ECOC)模型中分类观察GydF4y2Ba
返回预测的类标签向量(GydF4y2Ba标签GydF4y2Ba
= ResubPredict(GydF4y2BaMDL.GydF4y2Ba
)GydF4y2Ba标签GydF4y2Ba
)对于训练有素的多款纠错输出代码(ECOC)模型GydF4y2BaMDL.GydF4y2Ba
使用存储的预测器数据GydF4y2BaMdl。XGydF4y2Ba
.GydF4y2Ba
该软件通过将观察分配给阶级的观察来预测观察的分类,产生最大的否定平均二进制损失(或等效,平均二进制损失最小)。GydF4y2Ba
返回具有由一个或多个名称值对参数指定的其他选项的预测类标签。例如,指定后验概率估计方法,解码方案或冗长程度。GydF4y2Ba标签GydF4y2Ba
= ResubPredict(GydF4y2BaMDL.GydF4y2Ba
那GydF4y2Ba名称,价值GydF4y2Ba
)GydF4y2Ba
[GydF4y2Ba
使用前面语法中的任何输入参数组合,并额外返回负平均值GydF4y2Ba二元损失GydF4y2Ba每个类(GydF4y2Ba标签GydF4y2Ba
那GydF4y2BaneglGydF4y2Ba
那GydF4y2BaPBScoreGydF4y2Ba
] = ResubPredict(GydF4y2Ba___GydF4y2Ba)GydF4y2BaneglGydF4y2Ba
)进行观察,而正向评分(GydF4y2BaPBScoreGydF4y2Ba
),以获取由每个二元学习者分类的观察结果。GydF4y2Ba
[GydF4y2Ba
另外,返回观测值的后验类别概率估计值(GydF4y2Ba标签GydF4y2Ba
那GydF4y2BaneglGydF4y2Ba
那GydF4y2BaPBScoreGydF4y2Ba
那GydF4y2Ba后面GydF4y2Ba
] = ResubPredict(GydF4y2Ba___GydF4y2Ba)GydF4y2Ba后面GydF4y2Ba
).GydF4y2Ba
要获得后验类别概率,必须设置GydF4y2Ba“FitPosterior”,真的GydF4y2Ba
使用时培训ECOC模型GydF4y2BafitcecocGydF4y2Ba
.除此以外,GydF4y2Ba重新预订GydF4y2Ba
抛出一个错误。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
加载GydF4y2Ba渔民GydF4y2Bax = meas;Y =分类(物种);classOrder =唯一(y);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,真的);mdl = fitcecoc(x,y,GydF4y2Ba'学习者'GydF4y2BatGydF4y2Ba“类名”GydF4y2Ba, classOrder);GydF4y2Ba
T.GydF4y2Ba
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GydF4y2BaT.GydF4y2Ba
.GydF4y2BaMDL.GydF4y2Ba
是一个GydF4y2BaClassifiedecoc.GydF4y2Ba
模型。GydF4y2Ba
预测训练数据的标签。打印真实标签和预测标签的随机子集。GydF4y2Ba
Labels = ResubPredict(MDL);RNG(1);GydF4y2Ba%的再现性GydF4y2Ban = numel(y);GydF4y2Ba%样本大小GydF4y2Baidx = randsample (n, 10);表(Y(IDX),标签(IDX),GydF4y2Ba“VariableNames”GydF4y2Ba, {GydF4y2Ba'truelabels'GydF4y2Ba那GydF4y2Ba'predightlabels'GydF4y2Ba})GydF4y2Ba
ans =GydF4y2Ba10×2表GydF4y2Ba真实标签预测标签__________ _______________ setosa setosa versicolor versicolor virginica setosa setosa setosa versicolor versicolor versicolor versicolor setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa setosa setosaGydF4y2Ba
MDL.GydF4y2Ba
正确地标记了指数的观察GydF4y2BaidxGydF4y2Ba
.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
加载GydF4y2Ba渔民GydF4y2Bax = meas;Y =分类(物种);classOrder =唯一(y);GydF4y2Ba%班级订单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,真的);mdl = fitcecoc(x,y,GydF4y2Ba'学习者'GydF4y2BatGydF4y2Ba“类名”GydF4y2Ba, classOrder);GydF4y2Ba
T.GydF4y2Ba
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GydF4y2BaT.GydF4y2Ba
.GydF4y2BaMDL.GydF4y2Ba
是一个GydF4y2BaClassifiedecoc.GydF4y2Ba
模型。GydF4y2Ba
支持向量机的分数被标记为从观测到决策边界的距离。因此,域是GydF4y2Ba .创建一个自定义二进制损耗函数,执行以下操作:GydF4y2Ba
绘制编码设计矩阵(GydF4y2BamGydF4y2Ba)和积极级别的分类分数(GydF4y2BaS.GydF4y2Ba)来计算每次观察的二进制损失。GydF4y2Ba
使用线性损耗。GydF4y2Ba
使用中位数汇总二进制学习者丢失。GydF4y2Ba
您可以为二进制损耗函数创建一个单独的函数,然后将其保存在MATLAB®路径上。或者,您可以指定一个匿名二进制丢失函数。在本例中,创建一个函数句柄(GydF4y2BacustomBLGydF4y2Ba
)的匿名二进制损失函数。GydF4y2Ba
customBL = @(M,s)nanmedian(1 - bsxfun(@times,M,s),2)/2;GydF4y2Ba
预测训练数据的标签并估计每个类的中位数二进制损失。为随机的10个观察结果打印每个类的负二进制损失的中位数。GydF4y2Ba
[标签,NegLoss] = resubPredict (MdlGydF4y2Ba“BinaryLoss”GydF4y2Ba,海关);RNG(1);GydF4y2Ba%的再现性GydF4y2Ban = numel(y);GydF4y2Ba%样本大小GydF4y2Baidx = randsample (n, 10);ClassOrder.GydF4y2Ba
ClassOrder =.GydF4y2Ba3 x1分类GydF4y2Basetosa杂色的virginicaGydF4y2Ba
表(Y (idx)、标签(idx) NegLoss (idx:)GydF4y2Ba“VariableNames”GydF4y2Ba那GydF4y2Ba...GydF4y2Ba{GydF4y2Ba“TrueLabel”GydF4y2Ba那GydF4y2Ba“PredictedLabel”GydF4y2Ba那GydF4y2Ba“NegLoss”GydF4y2Ba})GydF4y2Ba
ans =GydF4y2Ba10×3表GydF4y2BaTrueLabel PredictedLabel NegLoss ________________________ _______________________________ setosa versicolor 0.12379 1.9569 -3.5807 versicolor -1.0172 0.62935 -1.1122 virginica -1.9087 0.621744 0.62617 setosa versicolor 0.4386 2.2441 -4.1827 versicolor versicolor 0.26672 2.2003 -3.967Versicolor -1.1237 0.9917 -1.0754 Versicolor -1.2714 0.51834 -0.74695 setosa Versicolor 0.35211 2.0677 -3.9198 setosa Versicolor 0.23357 2.1885 -3.9221GydF4y2Ba
列的顺序对应于的元素GydF4y2BaClassOrder.GydF4y2Ba
.软件根据最大负损失预测标签。结果表明,线性损失的中位数可能不如其他损失的中位数。GydF4y2Ba
使用SVM二进制学习者培训ECOC分类器。首先预测训练样本标签和类后验概率。然后在网格中预测每个点处的最大类后概率。可视化结果。GydF4y2Ba
载入费雪的虹膜数据集。指定花瓣尺寸作为预测器,物种名称作为响应。GydF4y2Ba
加载GydF4y2Ba渔民GydF4y2BaX = MEAS(:,3:4);y =物种;RNG(1);GydF4y2Ba%的再现性GydF4y2Ba
创建一个支持向量机模板。标准化预测器,并指定高斯核。GydF4y2Ba
t = templateSVM (GydF4y2Ba“标准化”GydF4y2Ba,真的,GydF4y2Ba'骨箱'GydF4y2Ba那GydF4y2Ba“高斯”GydF4y2Ba);GydF4y2Ba
T.GydF4y2Ba
是一个支持向量机模板。它的大部分属性都是空的。当软件训练ECOC分类器时,它将适用的属性设置为它们的默认值。GydF4y2Ba
使用SVM模板列车ecoc分类器。将分类分数转换为课程后概率(由此返回GydF4y2Ba预测GydF4y2Ba
或GydF4y2Ba重新预订GydF4y2Ba
) 使用GydF4y2Ba'fitposterior'GydF4y2Ba
名称-值对的论点。属性指定类的顺序GydF4y2Ba“类名”GydF4y2Ba
名称-值对的论点。方法在训练期间显示诊断消息GydF4y2Ba“详细”GydF4y2Ba
名称-值对的论点。GydF4y2Ba
mdl = fitcecoc(x,y,GydF4y2Ba'学习者'GydF4y2BatGydF4y2Ba'fitposterior'GydF4y2Ba,真的,GydF4y2Ba...GydF4y2Ba“类名”GydF4y2Ba, {GydF4y2Ba“setosa”GydF4y2Ba那GydF4y2Ba“多色的”GydF4y2Ba那GydF4y2Ba“virginica”GydF4y2Ba},GydF4y2Ba...GydF4y2Ba“详细”GydF4y2Ba,2);GydF4y2Ba
训练二元学习器1 (SVM) 3与50负和50正的观察。负类指数:2正类指数:1拟合学习者1 (SVM)的后验概率。训练二元学习器2 (SVM),其中3个有50个负的和50个正的观察。负类指数:3正类指数:1拟合学习者2 (SVM)的后验概率。训练3个二元学习者(SVM),其中有50个负的和50个正的观察值。负类指数:3正类指数:2拟合后验概率学习者3 (SVM)。GydF4y2Ba
MDL.GydF4y2Ba
是一个GydF4y2BaClassifiedecoc.GydF4y2Ba
模型。同样的SVM模板适用于每个二元学习器,但您可以通过传递模板的单元向量来调整每个二元学习器的选项。GydF4y2Ba
预测训练样本标签和类别后验概率。在计算标签和类的后验概率时使用GydF4y2Ba“详细”GydF4y2Ba
名称-值对的论点。GydF4y2Ba
[标签,~,~,后]= resubPredict (Mdl,GydF4y2Ba“详细”GydF4y2Ba,1);GydF4y2Ba
已经计算了所有学习者的预测。已经计算了所有观察的损失。计算后部概率......GydF4y2Ba
mdl.binaryloss.GydF4y2Ba
ans =“二次”GydF4y2Ba
该软件对类的类分配观察,从而产生最小的平均二进制损失。因为所有二进制学习者都是计算后验概率,所以二进制损失函数是GydF4y2Ba二次GydF4y2Ba
.GydF4y2Ba
显示随机的结果。GydF4y2Ba
idx = randsample(大小(X, 1), 10日1);mdl.classnames.GydF4y2Ba
ans =.GydF4y2Ba3x1细胞GydF4y2Ba{'setosa'} {'versicolor'} {'virginica'}GydF4y2Ba
表(Y(IDX),标签(IDX),后退(IDX,:),GydF4y2Ba...GydF4y2Ba“VariableNames”GydF4y2Ba, {GydF4y2Ba“TrueLabel”GydF4y2Ba那GydF4y2Ba'predlabel'GydF4y2Ba那GydF4y2Ba“后”GydF4y2Ba})GydF4y2Ba
ans =GydF4y2Ba10×3表GydF4y2BaTrueLabel PredLabel后 ______________ ______________ ______________________________________ {' virginica’}{‘virginica} 0.0039322 0.003987 0.99208{‘virginica}{‘virginica} 0.017067 0.018263 0.96467{‘virginica}{‘virginica} 0.014948 0.015856 0.9692{“癣”}{“癣”}2.2197 e-14 0.87318 - 0.12682{‘setosa} {' setosa '}0.999 0.029985 {'versicolor'} {'versicolor'}} 0.0085642 0.98259 0.0088487 {'setosa'} {'setosa'} 0.999 0.00024992 0.0088487 {'setosa'} {'setosa'} 0.999 0.00024913 0.00074717GydF4y2Ba
的列GydF4y2Ba后面GydF4y2Ba
对应于的类序GydF4y2Bamdl.classnames.GydF4y2Ba
.GydF4y2Ba
在观察到的预测器空间中定义一个值的网格。预测网格中每个实例的后验概率。GydF4y2Ba
xmax = max(x);xmin = min(x);x1pts = linspace(xmin(1),xmax(1));x2pts = linspace(xmin(2),xmax(2));[x1grid,x2grid] = meshgrid(x1pts,x2pts);[〜,〜,〜,posteriorregion] =预测(mdl,[x1grid(:),x2grid(:)]);GydF4y2Ba
对于网格上的每个坐标,绘制所有类之间的最大类后验概率。GydF4y2Ba
contourf (x1Grid x2Grid,GydF4y2Ba...GydF4y2Ba重塑(max (PosteriorRegion[], 2),大小(x1Grid, 1),大小(x1Grid, 2)));h = colorbar;h.YLabel.String =GydF4y2Ba最大后验的GydF4y2Ba;h.YLabel.FontSize = 15;持有GydF4y2Ba在GydF4y2Bagh = g箭偶(x(:,1),x(:,2),y,GydF4y2Ba“krk”GydF4y2Ba那GydF4y2Ba'* xd'GydF4y2Ba8);gh(2)。L.一世NeWidth = 2; gh(3).LineWidth = 2; title('虹膜瓣测量和最大后后'GydF4y2Ba)包含(GydF4y2Ba“花瓣长度(厘米)”GydF4y2Ba) ylabel (GydF4y2Ba“花瓣宽度(cm)”GydF4y2Ba)轴GydF4y2Ba紧GydF4y2Ba传奇(gh,GydF4y2Ba“位置”GydF4y2Ba那GydF4y2Ba“西北”GydF4y2Ba)举行GydF4y2Ba离开GydF4y2Ba
训练多类ECOC模型,并用并行计算估计后验概率。GydF4y2Ba
加载GydF4y2Ba心律失常GydF4y2Ba
数据集。检查响应数据GydF4y2BayGydF4y2Ba
,并确定类的数量。GydF4y2Ba
加载GydF4y2Ba心律失常GydF4y2Bay =分类(y);表格(y)GydF4y2Ba
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%GydF4y2Ba
k = numel(唯一(y));GydF4y2Ba
在数据中没有表示几个类,许多其他类具有低相对频率。GydF4y2Ba
指定一个使用了GentleBoost方法的集成学习模板和50个弱分类树学习器。GydF4y2Ba
t = templateEnsemble (GydF4y2Ba'温船'GydF4y2Ba,50,GydF4y2Ba“树”GydF4y2Ba);GydF4y2Ba
T.GydF4y2Ba
是一个模板对象。其大部分属性都是空的(GydF4y2Ba[]GydF4y2Ba
).软件在训练过程中对所有空属性使用默认值。GydF4y2Ba
因为响应变量包含许多类,所以指定一个稀疏随机编码设计。GydF4y2Ba
RNG(1);GydF4y2Ba%的再现性GydF4y2Ba编码= designecoc(k,GydF4y2Ba“sparserandom”GydF4y2Ba);GydF4y2Ba
使用并行计算训练ECOC模型。指定拟合后验概率。GydF4y2Ba
池= parpool;GydF4y2Ba%调用工人GydF4y2Ba
使用“本地”配置文件启动并行池(Parpool)连接到并行池(工人数:6)。GydF4y2Ba
选择= statset (GydF4y2Ba'使用指平行'GydF4y2Ba,真的);mdl = fitcecoc(x,y,GydF4y2Ba'学习者'GydF4y2BatGydF4y2Ba“选项”GydF4y2Ba选项,GydF4y2Ba'编码'GydF4y2Ba、编码、GydF4y2Ba...GydF4y2Ba'fitposterior'GydF4y2Ba,真的);GydF4y2Ba
MDL.GydF4y2Ba
是一个GydF4y2BaClassifiedecoc.GydF4y2Ba
模型。您可以使用点表示法访问其属性。GydF4y2Ba
游泳池援引六名工人,尽管工人的数量可能因系统而异。GydF4y2Ba
估计后验概率,并在给定随机子集的训练数据下显示被分类为无心律失常(第1类)的后验概率。GydF4y2Ba
[〜,〜,〜,后退] = Resubpredict(MDL);n = numel(y);idx = randsample(n,10,1);表(IDX,Y(IDX),后退(IDX,1),GydF4y2Ba...GydF4y2Ba“VariableNames”GydF4y2Ba, {GydF4y2Ba“ObservationIndex”GydF4y2Ba那GydF4y2Ba“TrueLabel”GydF4y2Ba那GydF4y2Ba'posteriornoarrythmia'GydF4y2Ba})GydF4y2Ba
ans =GydF4y2Ba10×3表GydF4y2BaObservationIndex TrueLabel PosteriorNoArrythmia ________________ _________ ____________________ 79 1 0.93436 248 1 0.95574 398 10 0.032378 207 1 0.97965 340 1 0.93656 206 1 0.97795 345 10 0.015642 296 2 0.13433 391 1 0.9648 406 1 0.94861GydF4y2Ba
MDL.GydF4y2Ba
-GydF4y2Ba完整的,训练过的多类ECOC模型GydF4y2BaClassifiedecoc.GydF4y2Ba
模型GydF4y2Ba完整的,训练过的多级ECOC模型,指定为GydF4y2BaClassifiedecoc.GydF4y2Ba
模型训练GydF4y2BafitcecocGydF4y2Ba
.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
为对应值。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
resubPredict (Mdl“BinaryLoss”、“线性”,“解码”,“lossbased”)GydF4y2Ba
指定线性二进制学习者丢失功能和基于丢失的解码方案,用于聚合二进制损耗。GydF4y2Ba
“BinaryLoss”GydF4y2Ba
-GydF4y2Ba二进制学习损失功能GydF4y2Ba'汉明'GydF4y2Ba
|GydF4y2Ba“线性”GydF4y2Ba
|GydF4y2Ba'logit'GydF4y2Ba
|GydF4y2Ba“指数”GydF4y2Ba
|GydF4y2Ba'binodeviance'GydF4y2Ba
|GydF4y2Ba“枢纽”GydF4y2Ba
|GydF4y2Ba“二次”GydF4y2Ba
|GydF4y2Ba功能手柄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是特定二进制学习者的类标签(集合{-1,1,0}),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 | 分数域GydF4y2Ba | GGydF4y2Ba(GydF4y2BayGydF4y2BajGydF4y2Ba那GydF4y2BaS.GydF4y2BajGydF4y2Ba)GydF4y2Ba |
---|---|---|---|
'binodeviance'GydF4y2Ba |
二项异常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 |
“枢纽”GydF4y2Ba |
合页GydF4y2Ba | ( - ∞,∞)GydF4y2Ba | max(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/2GydF4y2Ba |
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
,指定其函数句柄GydF4y2BaBinaryLoss, @customFunctionGydF4y2Ba
.GydF4y2Ba
CustomFunction.GydF4y2Ba
这种形式:GydF4y2Ba
bloss = customfunction(m,s)GydF4y2Ba
mGydF4y2Ba
是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 | “枢纽”GydF4y2Ba |
所有二进制学习者都是培训的乐队GydF4y2BaAdaboostM1GydF4y2Ba 或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 |
所有二进制学习者都是Logistic回归学习者的线性或内核分类模型。或者,您指定通过设置来预测类后验概率GydF4y2Ba“FitPosterior”,真的GydF4y2Ba 在GydF4y2BafitcecocGydF4y2Ba .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
'解码'GydF4y2Ba
-GydF4y2Ba解码方案GydF4y2Ba“失去重量”GydF4y2Ba
(默认)|GydF4y2Ba“lossbased”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
“NumKLInitializations”GydF4y2Ba
-GydF4y2Ba随机初值的数目GydF4y2Ba0.GydF4y2Ba
(默认)|GydF4y2Ba非负整数标量GydF4y2Ba通过Kullback-Leibler散度最小化拟合后验概率的随机初值数,指定为逗号分隔对,由GydF4y2Ba“NumKLInitializations”GydF4y2Ba
和一个非负整数标量。GydF4y2Ba
如果您不请求第四个输出参数(GydF4y2Ba后面GydF4y2Ba
)和组GydF4y2Ba“PosteriorMethod”、“kl的GydF4y2Ba
(默认值),则软件忽略GydF4y2BaNumKLInitializationsGydF4y2Ba
.GydF4y2Ba
有关详细信息,请参见GydF4y2Ba使用Kullback-Leibler Divergence的后验估计GydF4y2Ba.GydF4y2Ba
例子:GydF4y2Ba'numklinitializations',5GydF4y2Ba
数据类型:GydF4y2Ba单GydF4y2Ba
|GydF4y2Ba双GydF4y2Ba
“选项”GydF4y2Ba
-GydF4y2Ba估计选项GydF4y2Ba[]GydF4y2Ba
(默认)|GydF4y2Ba返回的结构阵列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
“PosteriorMethod”GydF4y2Ba
-GydF4y2Ba后概率估计方法GydF4y2Ba'kl'GydF4y2Ba
(默认)|GydF4y2Ba'QP'GydF4y2Ba
后验概率估计方法,指定为逗号分隔对组成GydF4y2Ba“PosteriorMethod”GydF4y2Ba
和GydF4y2Ba'kl'GydF4y2Ba
或GydF4y2Ba'QP'GydF4y2Ba
.GydF4y2Ba
如果GydF4y2BaPosteriorMethodGydF4y2Ba
是GydF4y2Ba'kl'GydF4y2Ba
然后,软件通过最小化二进制学习者返回的预测和预期的后验概率之间的kullback-leibler发散来估计多字符后概率。有关详细信息,请参阅GydF4y2Ba使用Kullback-Leibler Divergence的后验估计GydF4y2Ba.GydF4y2Ba
如果GydF4y2BaPosteriorMethodGydF4y2Ba
是GydF4y2Ba'QP'GydF4y2Ba
然后,软件通过使用二次编程来求解最小二乘问题来估计多字符后概率。您需要优化工具箱™许可证以使用此选项。有关详细信息,请参阅GydF4y2Ba二次规划的后验估计GydF4y2Ba.GydF4y2Ba
如果您不请求第四个输出参数(GydF4y2Ba后面GydF4y2Ba
),那么软件忽略了值GydF4y2BaPosteriorMethodGydF4y2Ba
.GydF4y2Ba
例子:GydF4y2Ba'posteriormethod','qp'GydF4y2Ba
“详细”GydF4y2Ba
-GydF4y2Ba冗长的水平GydF4y2Ba0.GydF4y2Ba
(默认)|GydF4y2Ba1GydF4y2Ba
详细程度,指定为逗号分隔对,由GydF4y2Ba“详细”GydF4y2Ba
和GydF4y2Ba0.GydF4y2Ba
或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
标签GydF4y2Ba
-预测类标签GydF4y2Ba预测类标签,作为分类或字符数组、逻辑或数字向量或字符向量的单元格数组返回。GydF4y2Ba
标签GydF4y2Ba
具有相同的数据类型GydF4y2Bamdl.classnames.GydF4y2Ba
并且具有相同的行数为GydF4y2BaMdl。XGydF4y2Ba
.GydF4y2Ba
该软件通过将观察分配给阶级的观察来预测观察的分类,产生最大的否定平均二进制损失(或等效,平均二进制损失最小)。GydF4y2Ba
neglGydF4y2Ba
-负的平均二进制损失GydF4y2Ba否定平均GydF4y2Ba二进制的损失GydF4y2Ba,作为数字矩阵返回。GydF4y2BaneglGydF4y2Ba
是一个GydF4y2BaNGydF4y2Ba——- - - - - -GydF4y2BaK.GydF4y2Ba矩阵,其中GydF4y2BaNGydF4y2Ba是观察人数(GydF4y2Ba尺寸(mdl.x,1)GydF4y2Ba
),GydF4y2BaK.GydF4y2Ba是唯一类的数量(GydF4y2Ba尺寸(Mdl.ClassNames, 1)GydF4y2Ba
).GydF4y2Ba
PBScoreGydF4y2Ba
——Positive-class分数GydF4y2Ba每个二进制学习者的正分数,以数字矩阵的形式返回。GydF4y2BaPBScoreGydF4y2Ba
是一个GydF4y2BaNGydF4y2Ba——- - - - - -GydF4y2BaL.GydF4y2Ba矩阵,其中GydF4y2BaNGydF4y2Ba是观察人数(GydF4y2Ba尺寸(mdl.x,1)GydF4y2Ba
),GydF4y2BaL.GydF4y2Ba为二元学习者的人数(GydF4y2Ba尺寸(mdl.codingmatrix,2)GydF4y2Ba
).GydF4y2Ba
后面GydF4y2Ba
- 后级概率GydF4y2Ba后级概率,作为数字矩阵返回。GydF4y2Ba后面GydF4y2Ba
是一个GydF4y2BaNGydF4y2Ba——- - - - - -GydF4y2BaK.GydF4y2Ba矩阵,其中GydF4y2BaNGydF4y2Ba是观察人数(GydF4y2Ba尺寸(mdl.x,1)GydF4y2Ba
),GydF4y2BaK.GydF4y2Ba是唯一类的数量(GydF4y2Ba尺寸(Mdl.ClassNames, 1)GydF4y2Ba
).GydF4y2Ba
请求GydF4y2Ba后面GydF4y2Ba
,你必须设置GydF4y2Ba“FitPosterior”,真的GydF4y2Ba
使用时培训ECOC模型GydF4y2BafitcecocGydF4y2Ba
.否则,软件将抛出错误。GydF4y2Ba
一种GydF4y2Ba二元损失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(即与类对应的代码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是二进制损失功能。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
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
此表总结了支持的损耗功能,其中金宝appGydF4y2BayGydF4y2BajGydF4y2Ba是特定二进制学习者的类标签(集合{-1,1,0}),GydF4y2BaS.GydF4y2BajGydF4y2Ba分数是否供观察GydF4y2BajGydF4y2Ba, 和GydF4y2BaGGydF4y2Ba(GydF4y2BayGydF4y2BajGydF4y2Ba那GydF4y2BaS.GydF4y2BajGydF4y2Ba).GydF4y2Ba
价值GydF4y2Ba | 描述GydF4y2Ba | 分数域GydF4y2Ba | GGydF4y2Ba(GydF4y2BayGydF4y2BajGydF4y2Ba那GydF4y2BaS.GydF4y2BajGydF4y2Ba)GydF4y2Ba |
---|---|---|---|
'binodeviance'GydF4y2Ba |
二项异常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 |
“枢纽”GydF4y2Ba |
合页GydF4y2Ba | ( - ∞,∞)GydF4y2Ba | max(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/2GydF4y2Ba |
该软件规范化二进制损耗,使得损失为0.5GydF4y2BayGydF4y2BajGydF4y2Ba= 0,并使用二进制学习者的平均值聚合GydF4y2Ba(Allwein等。)GydF4y2Ba.GydF4y2Ba
不要将二进制丢失与整体分类损失混淆(由此指定)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
通过最小化Kullback-Leibler发散或通过使用二次编程,该软件可以估算类后验概率。对于以下描述后估计算法,假设:GydF4y2Ba
mGydF4y2BaKJ.GydF4y2Ba是元素(GydF4y2BaK.GydF4y2Ba那GydF4y2BajGydF4y2Ba)编码设计矩阵GydF4y2BamGydF4y2Ba.GydF4y2Ba
一世GydF4y2Ba是指标功能。GydF4y2Ba
是课程的课后概率估计GydF4y2BaK.GydF4y2Ba的观察,GydF4y2BaK.GydF4y2Ba= 1,…,GydF4y2BaK.GydF4y2Ba.GydF4y2Ba
R.GydF4y2BajGydF4y2Ba是二进制学习者的正面后续概率GydF4y2BajGydF4y2Ba.也就是说,GydF4y2BaR.GydF4y2BajGydF4y2Ba二进制学习者的概率是多少GydF4y2BajGydF4y2Ba给定训练数据,将观察结果分类为正向类。GydF4y2Ba
默认情况下,该软件将Kullback-Leibler差异最小化,以估计类后验概率。期望的正类后验概率与观测到的正类后验概率之间的Kullback-Leibler差异为GydF4y2Ba
在哪里GydF4y2Ba 是二元学习者的权重吗GydF4y2BajGydF4y2Ba.GydF4y2Ba
S.GydF4y2BajGydF4y2Ba这组观察指标是针对哪个二元学习者的GydF4y2BajGydF4y2Ba是训练有素的。GydF4y2Ba
是观察的重量GydF4y2Ba一世GydF4y2Ba.GydF4y2Ba
该软件以迭代的方式将分歧最小化。第一步是选择初值GydF4y2Ba 对于类的后验概率。GydF4y2Ba
如果您未指定GydF4y2Ba“NumKLIterations”GydF4y2Ba
,然后软件尝试接下来描述的两组确定性初始值,并选择最小化Δ的集合。GydF4y2Ba
是系统的解决方案GydF4y2Ba
在哪里GydF4y2BamGydF4y2Ba01GydF4y2Ba是GydF4y2BamGydF4y2Ba所有GydF4y2BamGydF4y2BaKJ.GydF4y2Ba= -1用0替换,GydF4y2BaR.GydF4y2Ba返回的是一个正向的后验概率向量GydF4y2BaL.GydF4y2Ba二进制学习者GydF4y2Ba[Dietterich等。]GydF4y2Ba.软件使用GydF4y2Balsqnonneg.GydF4y2Ba
解这个方程组。GydF4y2Ba
如果您指定GydF4y2Ba“NumKLIterations”,cGydF4y2Ba
,在那里GydF4y2BaCGydF4y2Ba
是一个自然数,然后软件执行以下内容以选择该集合GydF4y2Ba
,并选择使Δ最小化的集合。GydF4y2Ba
该软件尝试如前所述的两组确定性初始值。GydF4y2Ba
软件随机生成GydF4y2BaCGydF4y2Ba
向量的长度GydF4y2BaK.GydF4y2Ba使用GydF4y2Ba兰特GydF4y2Ba
,然后将每个向量的和归一。GydF4y2Ba
在迭代GydF4y2BaT.GydF4y2Ba,软件完成以下步骤:GydF4y2Ba
计算GydF4y2Ba
估计使用下一级的后验概率GydF4y2Ba
正常化GydF4y2Ba 让他们总结为1。GydF4y2Ba
检查收敛。GydF4y2Ba
有关详细信息,请参见GydF4y2Ba[hastie等。]GydF4y2Ba和GydF4y2Ba(Zadrozny)GydF4y2Ba.GydF4y2Ba
使用二次规划的后验概率估计需要一个优化工具箱许可证。为了用这种方法估计一个观测的后验概率,软件完成以下步骤:GydF4y2Ba
估计积极级的后验概率,GydF4y2BaR.GydF4y2BajGydF4y2Ba,针对二元学习者GydF4y2BajGydF4y2Ba= 1,…,GydF4y2BaL.GydF4y2Ba.GydF4y2Ba
使用之间的关系GydF4y2BaR.GydF4y2BajGydF4y2Ba和GydF4y2Ba (吴等。)GydF4y2Ba, 最小化GydF4y2Ba
关于GydF4y2Ba 和限制GydF4y2Ba
软件执行最小化使用GydF4y2BaQuadprog.GydF4y2Ba
(优化工具箱)GydF4y2Ba.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
[2] Dietterich T.和G. Bakiri。通过错误修正输出代码解决多类学习问题。GydF4y2Ba人工智能研究杂志GydF4y2Ba.第2卷,1995年,263-286页。GydF4y2Ba
[3] Escalera,S.,O. Pujol和P. Radeva。“在三元纠错输出代码中解码过程。”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
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模式识别GydF4y2Ba.2009年第30卷第3期285-297页。GydF4y2Ba
Hastie, T.和R. Tibshirani。“两两耦合分类”。GydF4y2Ba统计数据GydF4y2Ba.卷。26,第298页,第451-471页。GydF4y2Ba
吴廷锋,林春杰,翁仁。“基于成对耦合的多类别分类的概率估计”。GydF4y2Ba机床学习研究GydF4y2Ba.第5卷,2004年,975-1005页。GydF4y2Ba
[7] Zadrozny,B。“通过耦合概率估计减少多标数到二进制。”GydF4y2BaNIPS 2001:神经信息处理系统的进步程序14GydF4y2Ba, 2001,第1041-1048页。GydF4y2Ba
要并行运行,请指定GydF4y2Ba“选项”GydF4y2Ba
对此函数调用中的名称值参数并设置GydF4y2Ba'使用指平行'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,请参阅GydF4y2Ba使用自动并行支持运行MATLAB功能金宝appGydF4y2Ba(并行计算工具箱)GydF4y2Ba.GydF4y2Ba
Classifiedecoc.GydF4y2Ba
|GydF4y2BafitcecocGydF4y2Ba
|GydF4y2Ba预测GydF4y2Ba
|GydF4y2Baresubloss.GydF4y2Ba
|GydF4y2BastatsetGydF4y2Ba
|GydF4y2BaQuadprog.GydF4y2Ba
(优化工具箱)GydF4y2Ba
您单击了与此MATLAB命令对应的链接: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您还可以从以下列表中选择一个网站:GydF4y2Ba
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。GydF4y2Ba