ClassificationNeuralNetwork

分类的神经网络模型

展开所有页面

描述

一个ClassificationNeuralNetwork对象是用于分类的训练、前馈和全连接的神经网络。神经网络的第一个完全连接层与网络输入(预测数据)有一个连接X），每个后续层都具有与前一层的连接。每个完全连接的图层将输入乘以权重矩阵（LayerWeights）然后添加偏置载体（LayerBiases）.每个完全连接的层后面都有一个激活函数(激活和outputlayEractivation.）.最后的全连接层和随后的softmax激活函数产生网络的输出，即分类分数(后验概率)和预测标签。有关更多信息，请参见神经网络结构．

创建

创建一个ClassificationNeuralNetwork通过使用fitcnet．

属性

全部展开

神经网络属性

`LayerSizes`- - - - - -完全连接层的大小
正整数矢量

此属性是只读的。

神经网络模型中完全连接层的大小，作为正整数向量返回。这我th元素LayerSizes的输出数是多少我神经网络模型的全连接层。

LayerSizes不包括最终完全连接层的大小。这个图层总是有K输出,K班级数在吗Y．

数据类型:单|双

`LayerWeights`- - - - - -学习层重量
细胞阵列

此属性是只读的。

学习完全连接层的层权重，作为单元数组返回。这我单元格数组中的第Th项对应的层权重为我完全连通层。例如,Mdl。LayerWeights {1}返回模型的第一个完全连接层的权重MDL.．

LayerWeights包括最终完全连接层的权重。

数据类型:细胞

`LayerBiases`- - - - - -学习层偏见
细胞阵列

此属性是只读的。

学习完全连接层的层偏置，作为单元阵列返回。这我单元格阵列中的条目对应于图层偏差我完全连通层。例如,Mdl。LayerBiases {1}返回模型的第一个完全连接层的偏差MDL.．

LayerBiases包括最终完全连接层的偏差。

数据类型:细胞

`激活`- - - - - -完全连接层的激活功能
`'relu'`|`的双曲正切`|`“乙状结肠”`|`“没有”`|字符向量的单元格数组

此属性是只读的。

神经网络模型的全连接层的激活函数，返回为字符向量或字符向量的单元数组，其值来自此表。

价值	描述
`'relu'`	纠正的线性单元（Relu）函数 - 对输入的每个元素执行阈值操作，其中任何值小于零的值设置为零，即， $f （ x ）＝｛ \begin{matrix} x ， & x \geq 0 \\ 0 ， & x < 0 \end{matrix}$
`的双曲正切`	双曲线切线（Tanh）功能 - 适用`双曲正切`函数到每个输入元素
`“乙状结肠”`	sigmoid函数 - 在每个输入元素上执行以下操作： $f （ x ）＝ \frac{1}{1 + e^{- x}}$
`“没有”`	标识函数——返回每个输入元素，而不执行任何转换，即:f（x）=x

如果激活只包含一个激活函数，则为神经网络模型中每一个全连接层的激活函数，不包括最终的全连接层。最终完全连接层的激活函数总是softmax (outputlayEractivation.）.
如果激活是一系列激活功能，然后是我元素是元素的激活函数我神经网络模型的层。

数据类型:char|细胞

`outputlayEractivation.`- - - - - -最终完全连接层的激活函数
`“softmax”`

此属性是只读的。

最终完全连接层的激活功能，返回为“softmax”．该函数需要每个输入x_我并返回以下内容，在哪里K为响应变量中的类数:

$f （ x_{我} ）＝ \frac{exp. （ x_{我} ）}{{σ.}_{j ＝ 1}^{K} exp. （ x_{j} ）} ．$

结果与预测的分类分数(或后验概率)相对应。

`ModelParameters`- - - - - -用于训练模型的参数值
`neuralnetworkparams.`对象

此属性是只读的。

用于训练的参数值ClassificationNeuralNetwork模型，返回为neuralnetworkparams.目的。ModelParameters包含参数值，例如用于训练神经网络分类器的名称-值参数。

访问ModelParameters通过使用点表示法。例如，访问用于初始化模型的完全连接的层权重的函数MDL.通过使用mdl.modelparameters.layerweightsinitializer．

收敛控制属性

`ConvergenceInfo`- - - - - -收敛信息
结构阵列

此属性是只读的。

收敛信息，作为结构数组返回。

场	描述
`迭代`	用于训练神经网络模型的训练迭代次数
`TrainingLoss`	训练返回模型的交叉熵损失，或者`resubLoss (Mdl LossFun, crossentropy)`为模型`MDL.`
`梯度`	损失函数相对于返回模型对应的迭代权值和偏差的梯度
`一步`	步骤尺寸在与返回的模型相对应的迭代
`时间`	所有迭代所花费的总时间(以秒为单位)
`ValidationLoss`	返回模型的验证交叉熵损耗
`验证检查`	在一行中验证损失大于或等于最小验证损失的最大次数
`ConvergenceCriterion`	为收敛准则
`历史`	看到`培训汉语`

数据类型:结构体

`培训汉语`- - - - - -培训历史
表格

此属性是只读的。

训练历史，以表格形式返回。

柱子	描述
`迭代`	训练迭代
`TrainingLoss`	在此迭代中训练模型的交叉熵损失
`梯度`	在此迭代中损失函数相对于权值和偏差的梯度
`一步`	这个迭代的步长
`时间`	在此迭代期间花费的时间(以秒为单位)
`ValidationLoss`	在此迭代中验证模型的交叉熵损失
`验证检查`	验证损失大于或等于最小验证损失的运行总次数

数据类型:表格

`求解器`- - - - - -求解器用于训练神经网络模型
`“LBFGS”`

此属性是只读的。

求解器用于训练神经网络模型，返回为“LBFGS”．创建一个ClassificationNeuralNetwork模型中,fitcnet采用有限内存的Broyden-Flecter-Goldfarb-Shanno准牛顿算法(LBFGS)作为损耗函数最小化技术，该软件使交叉熵损耗最小化。

预测性能

`预测`- - - - - -预测变量的名字
字符向量的单元格数组

此属性是只读的。

预测器变量名称，作为字符向量的单元格数组返回。元素的顺序预测对应于预测器名称在训练数据中出现的顺序。

数据类型:细胞

`分类预测器`- - - - - -分类预测索引
正整数向量|`[]`

此属性是只读的。

分类预测器索引，返回为一个正整数向量。假设预测数据包含成行的观测数据，分类预测器包含与包含分类预测器的预测器数据列对应的索引值。如果没有预测器都是分类的，则此属性是空的（[]）.

数据类型:双

`ExpandedPredictorNames.`- - - - - -扩展预测仪名称
字符向量的单元格数组

此属性是只读的。

扩展的预测器名称，作为字符向量的单元格数组返回。如果模型对分类变量使用编码，那么ExpandedPredictorNames.包括描述扩展变量的名称。否则,ExpandedPredictorNames.是一样的预测．

数据类型:细胞

`X`- - - - - -解体的预测因子
数字矩阵|表格

此属性是只读的。

用于训练神经网络模型的非标准化预测器，以数字矩阵或表格的形式返回。X的值在行或列中显示观察值，保留其原始方向ObservationsIn呼叫中的名称值参数fitcnet．

数据类型:单|双|表格

响应属性

`一会`- - - - - -独特的类名
数值向量|分类向量|逻辑向量|字符阵列|字符向量的单元格数组

此属性是只读的。

培训中使用的唯一类名，作为数字矢量，分类矢量，逻辑向量，字符数组或字符向量阵列返回。一会具有与类标签相同的数据类型Y．(该软件将字符串数组视为字符向量的单元格数组。)一会也决定了类的顺序。

数据类型:单|双|分类|逻辑|char|细胞

`ResponseName`- - - - - -响应变量名称
特征向量

此属性是只读的。

响应变量名，作为字符向量返回。

数据类型:char

`Y`- - - - - -类标签
数值向量|分类向量|逻辑向量|字符阵列|字符向量的单元格数组

此属性是只读的。

用于训练模型的类标签，作为数字矢量，分类矢量，逻辑向量，字符数组或字符向量阵列的模型。Y具有与用于训练模型的响应变量相同的数据类型。(该软件将字符串数组视为字符向量的单元格数组。)

每一排Y中对应观测值的分类X．

数据类型:单|双|分类|逻辑|char|细胞

其他数据属性

`NumObservations`- - - - - -数量的观察
正数标量

此属性是只读的。

存储在训练数据中的观察次数X和Y，作为正数值标量返回。

数据类型:双

`RowsUsed`- - - - - -适合的行
`[]`|逻辑向量

此属性是只读的。

用于拟合模型的原始培训数据的行，作为逻辑向量返回。如果使用所有行，此属性为空。

数据类型:逻辑

`W`- - - - - -观察权重
数值向量

此属性是只读的。

用于训练模型的观察权重，作为返回n- 1号数字矢量。n为观测次数(NumObservations）.

该软件规范化了指定的观察权重权重名称值参数，以便元素W在一个特定的类别中，总和为该类别的先验概率。

数据类型:单|双

其他分类属性

`成本`- - - - - -错误分类成本
数字方阵

此属性是只读的。

误分类代价，返回为数值方阵，其中成本(i, j)将一个点分类的成本是多少j如果它真正的阶级是我．代价矩阵总是这样的形式:成本(i, j) = 1如果我~ = j，和成本(i, j) = 0如果我=我．行对应真正的类，列对应预测的类。的行和列的顺序成本中类的顺序一会．

数据类型:双

`之前`- - - - - -先验概率
数值向量

此属性是只读的。

每个类的先验概率，作为数字向量返回。元素的顺序之前对应的元素一会．

数据类型:双

`scoretransform.`- - - - - -分数转换
特征向量|函数处理

分数转换，指定为字符向量或函数句柄。scoretransform.表示用于转换预测分类分数的内置转换函数或函数句柄。

将分数转换函数改为功能，例如，使用点符号。

对于内置函数，请输入字符向量。

Mdl。ScoreTransform = '功能'；

该表描述了可用的内置函数。

价值	描述
`'doublelogit'`	1 /（1 +e^2x）
`“invlogit”`	日志(x/（1 -x）)
`“ismax”`	将具有最大分数的类设置为1的分数，并将所有其他类的分数设置为0
`分对数的`	1 /（1 +e^{- - - - - -x}）
`“没有”`要么`“身份”`	x(转换)
`“标志”`	1x< 0 为0x= 0 1x> 0
`“对称”`	2x- 1
`“symmetricismax”`	将分数最大的班级的分数设置为1，并将所有其他班级的分数设置为-1
`'symmetriclogit'`	2 / (1 +e^{- - - - - -x}) - 1

对于一个MATLAB^®函数或您定义的函数，输入其函数句柄。
```
mdl.scoretransform = @功能；
```
功能必须接受一个矩阵(原始分数)并返回一个相同大小的矩阵(转换分数)。

数据类型:char|function_handle

对象的功能

`袖珍的`	减少机器学习模型的规模
`compareHoldout`	使用新数据比较两个分类模型的精度
`crossval`	交叉验证机器学习模型
`边缘`	用于神经网络分类器的分类边缘
`损失`	神经网络分类器的分类损失
`利润`	神经网络分类器的分类边缘
`partialDependence`	计算部分依赖
`plotPartialDependence`	创建部分依赖图(PDP)和个人条件期望图(ICE)
`预测`	使用神经网络分类器分类观察
`resubEdge`	Resubstitution分类边缘
`resubLoss`	Resubstitution分类损失
`重新提交`	Resubstitution分类保证金
`resubPredict`	使用训练的分类器对训练数据进行分类

例子

全部折叠

训练神经网络分类器

打开直播脚本

培训神经网络分类器，并评估对测试集上分类器的性能。

读取示例文件Creditrating_Historical.dat.一个表中。预测数据包括财务比率和企业客户列表的行业部门信息。反应变量由评级机构指定的信用评级组成。预览数据集的前几行。

creditrating = readtable (“CreditRating_Historical.dat”）;头(creditrating)

ans =8×8表ID WC_TA RE_TA EBIT_TA MVE_BVTD S_TA工业评分_____ ______ ______ _______ ________ _____ ________ _______ 62394 0.013 0.104 0.036 0.447 0.142 3 { 'BB'} 48608 0.232 0.335 0.062 1.969 0.281 8 { 'A'} 42444 0.311 0.367 0.074 1.935 0.366 1 {'A'} 48631 0.194 0.263 0.062 1.017 0.228 4 {' BBB '} 43768 0.121 0.413 0.057 3.647 0.466 12 {' AAA '} 39255 -0.117 -0.799 0.01 0.179 0.082 4 {' CCC '} 62236 0.087 0.158 0.049 0.816 0.324 2 {' BBB'} 39354 0.005 0.181 0.034 2.597 0.388 7 {'AA'}

因为每个值都在ID变量是唯一的客户ID，即长度(独特(creditrating.ID))等于观测的次数creditrating,ID变量是一个很差的预测器。删除ID从表中变量，并转换行业变量到A.分类多变的。

creditrating = removevars (creditrating,“ID”）;creditrating。行业＝分类（creditrating。行业）；

转换评级对序数的响应变量分类多变的。

creditrating。评级＝分类（creditrating。评级,．..［“AAA”，“AA”，“一种”，" BBB "，“BB”，“b”，“CCC”]，“顺序”,真正的);

将数据划分为训练集和测试集。使用大约80%的观测数据来训练神经网络模型，使用20%的观测数据来测试训练模型在新数据上的性能。使用cvpartition分区数据。

RNG（“默认”）分区的再现性c = cvpartition（信用。“坚持”, 0.20);trainingIndices =培训(c);%训练集指标testindices =测试（c）;%测试集索引creditTrain = creditrating (trainingIndices:);信贷= creditrating (testIndices:);

通过传递训练数据来训练神经网络分类器信用箱到fitcnet函数。

Mdl = fitcnet (creditTrain,“评级”）

mdl = classificationniednetwork predictornames：{wc_ta''re_ta''ebet_ta''mve_bvtd''s_ta'行业'} resportename：'评级'类别预防icon：6 classnames：[aaa aa a bbb bb b ccc] scoreTransform：'无'numobservations：3146 DILTERSIZE：10激活：'relu'OuthentLayARactivation：'Softmax'求解器：'LBFGS'ColouchgenceInfo：[1×1结构]培训课程：[1000×7表]属性，方法

MDL.是一个培训ClassificationNeuralNetwork分类器。的属性可以使用点表示法MDL.．例如，可以指定Mdl。培训汉语获取更多关于神经网络模型训练历史的信息。

通过计算测试集分类错误来评估分类器对测试集的性能。通过使用混淆矩阵可视化结果。

testaccuracy = 1  - 损失（MDL，抵制，“评级”，．..“LossFun”，“classiferror”）

testAccuracy = 0.8003

信贷confusionchart (creditTest.Rating,预测(Mdl))

指定神经网络分类器结构

打开直播脚本

指定神经网络分类器的结构，包括全连接层的大小。

加载电离层数据集，包括雷达信号数据。X包含预测数据，和Y是响应变量，其值代表良好（“g”）或坏（“B”）雷达信号。

负载电离层

将数据分成培训数据（XTrain和ytrain.）和测试数据（XTest.和欧美）通过使用分层熔断分区。预留约30％的测试观察，并使用其余的观察培训。

RNG（“默认”）分区的再现性本量利= cvpartition (Y,“坚持”, 0.3);XTrain = X(培训(cvp):);YTrain = Y(培训(cvp));XTest = X(测试(cvp):);欧美= Y(测试(cvp));

训练神经网络分类器。指定在第一个完全连接层有35个输出，在第二个完全连接层有20个输出。默认情况下，这两个层都使用一个整流线性单元(ReLU)激活功能。控件可以更改完全连接层的激活函数激活名称值参数。

Mdl = fitcnet (XTrain YTrain,．..“双层化”20 [35])

Mdl = ClassificationNeuralNetwork ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' ' 'g'} ScoreTransform: 'none' NumObservations: 246 LayerSizes: [35 20] activation: 'relu' OutputLayerActivation: 'softmax' Solver: 'LBFGS' ConvergenceInfo: [1×1 struct] TrainingHistory: [47×7 table]属性，方法

通过使用通过使用训练分类器的完全连接层的权重和偏置LayerWeights和LayerBiases属性MDL.．每个属性的前两个元素对应前两个全连接层的值，第三个元素对应最后一个全连接层的值，并使用softmax激活函数进行分类。例如，显示第二层全连接层的权重和偏差。

Mdl。LayerWeights {2}

ans =20×350.0481 0.2501 -0.1535 -0.0934 0.0760 -0.0579 -0.2465 1.0411 0.3712 -1.2007 1.1162 0.4296 0.4045 0.5005 0.8839 0.4624 -0.3154 0.3454 -0.0487 0.2648 0.0732 0.5773 0.4286 0.0881 0.9468 0.2981 0.5534 1.0518 -0.0224 0.6894 0.5527 0.7045 -0.6124 0.2145 -0.0790 -0.9489 -1.8343 0.5510-0.5751 -0.8726 0.8815 0.0203 -1.6379 2.0315 1.7599 -1.4153 -1.4335 -1.1638 -0.1715 1.1439 -0.7661 1.1230 -1.1982 -0.5409 -0.5821 -0.0627 -0.7038 -0.0817 -1.5773 -1.4671 0.2053 -0.7931 -1.6201 -0.1737 -0.7762 -0.3063  -0。8771 1.5134 -0.4611 -0.0649 -0.1910 0.0246 -0.3511 0.0097 0.3160 -0.0693 0.2270 -0.0783 -0.1626 -0.3478 0.2765 0.4179 0.0727 -0.0314 -0.1798 -0.0583 0.1375 -0.1876 0.2518 0.2137 0.1497 0.0395 0.2859 -0.0905 0.4325 -0.2012 0.0388 -0.1441 -0.1431 -0.0249 -0.2200 0.0860 -0.2076 0.0132 0.1737 -0.0415 -0.0059 -0.0753 -0.1477 -0.1621 -0.1762 0.2164 0.1710 -0.0610 -0.1402 0.1452 0.2890 0.2872 -0.2616 -0.4204 -0.2831 -0.1901 0.0036 0.0781 -0.0826 0.1588 -0.2782 0.2510 -0.1069 -0.2692 0.2306 0.2521 0.0306 0.2524 -0.4218 0.2478 0.2343 -0.1031 0.1037 0.1598 1.1848 1.6142 -0.1352 0.5774 0.5491 0.0103 0.0209 0.7219 -0.8643 -0.5578 1.3595 1.5385 1.0015 0.7416 -0.4342 0.2279 0.5667 1.1589 0.7100 0.1823 0.4171 0.7051 0.0794 1.3267 1.2659 0.3197 0.3947 0.3436 -0.1415 0.6607 1.0071 0.7726 -0.2840 0.8801 0.0848 0.2486 -0.2920 -0.0004 0.2806 0.2987 -0.2709 0.1473 -0.2580 -0.0499 -0.0755 0.2000 0.1535 -0.0285 -0.0520 -0.2523 -0.2505 -0.0437 -0.2323 0.2023 0.2061 -0.1365 0.0744 0.0344 -0.2891 0.2341 -0.1556 0.1459 0.2533 -0.0583 0.0243 -0.2949 -0.1530 0.1546 -0.0340 -0.1562 -0.0516 0.0640 0.1824 -0.0675 -0.2065 -0.0052 -0.1682 -0.1520 0.0060 0.0450 0.0813 -0.0234 0.0657 0.3219 -0.1871 0.0658 -0.2103 0.0060 -0.2831 -0.1811 -0.0988 0.2378 -0.0761 0.1714 -0.1596 -0.0011 0.0609 0.4003 0.3687 -0.2879 0.0910 0.0604 -0.2222 -0.2735 -0.1155 -0.6192 -0.7804 -0.0506 -0.4205 -0.2584 -0.2020 -0.0008 0.0534 1.0185 -0.0307 -0.0539 -0.2020 0.0368 -0.1847 0.0886 -0.4086 -0.4648 -0.3785 0.1542 -0.5176 -0.3207 0.1893 -0.0313 -0.5297 -0.1261 -0.2749 -0.6152 -0.5914 -0.3089 0.2432 -0.3955 -0.1711 0.1710 -0.4477 0.0718 0.5049 -0.1362 -0.2218 0.1637 -0.1282 -0.1008 0.1445 0.4527 -0.4887 0.0503 0.1453 0.1316 -0.3311 -0.1081 -0.7699 0.4062 -0.1105 -0.0855 0.0630 -0.1469 -0.2533 0.3976 0.0418 0.5294 0.3982 0.1027 -0.0973 -0.1282 0.2491 0.0425 0.0533 0.1578 -0.8403 -0.0535 -0.0048 1.1109 -0.0466 0.4044 0.6366 0.1863 0.5660 0.2839 0.8793 -0.5497 0.0057 0.3468 0.0980 0.3364 0.4669 0.1466 0.7883 -0.1743 0.4444 0.4535 0.1521 0.7476 0.2246 0.4473 0.2829 0.8881 0.4666 0.6334 0.3105 0.9571 0.2808 0.6483 0.1180 -0.4558 1.2486 0.2453 ⋮

mdl.layerbiases {2}

ans =20×10.6147 0.1891 -0.2767 -0.2977 1.3655 0.0347 0.1509 -0.4839 -0.3960 0.9248⋮

最后的全连接层有两个输出，响应变量中的每个类都有一个输出。层输出的数量对应于层权重和层偏差的第一个维度。

大小(Mdl.LayerWeights{结束})

ans =1×22 20

大小（mdl.layerbiases {end}）

ans =1×22 1

要估算培训的分类器的性能，计算测试集分类错误MDL.．

testError =损失(Mdl XTest,欧美,．..“LossFun”，“classiferror”）

testError = 0.0774

准确度= 1 -测试误差

精度= 0.9226

MDL.准确地分类测试集中大约92％的观察结果。

另请参阅

ClassificationPartitionedModel|CompactClassificationNeuralNetwork|边缘|fitcnet|损失|利润|预测

主题

评估神经网络分类器性能

介绍了R2021a

ClassificationNeuralNetwork

描述

创建

属性

神经网络属性

LayerSizes- - - - - -完全连接层的大小正整数矢量

LayerWeights- - - - - -学习层重量细胞阵列

LayerBiases- - - - - -学习层偏见细胞阵列

激活- - - - - -完全连接层的激活功能'relu'|的双曲正切|“乙状结肠”|“没有”|字符向量的单元格数组

outputlayEractivation.- - - - - -最终完全连接层的激活函数“softmax”

ModelParameters- - - - - -用于训练模型的参数值neuralnetworkparams.对象

收敛控制属性

ConvergenceInfo- - - - - -收敛信息结构阵列

培训汉语- - - - - -培训历史表格

求解器- - - - - -求解器用于训练神经网络模型“LBFGS”

预测性能

预测- - - - - -预测变量的名字字符向量的单元格数组

分类预测器- - - - - -分类预测索引正整数向量|[]

ExpandedPredictorNames.- - - - - -扩展预测仪名称字符向量的单元格数组

X- - - - - -解体的预测因子数字矩阵|表格

响应属性

一会- - - - - -独特的类名数值向量|分类向量|逻辑向量|字符阵列|字符向量的单元格数组

ResponseName- - - - - -响应变量名称特征向量

Y- - - - - -类标签数值向量|分类向量|逻辑向量|字符阵列|字符向量的单元格数组

其他数据属性

NumObservations- - - - - -数量的观察正数标量

RowsUsed- - - - - -适合的行[]|逻辑向量

W- - - - - -观察权重数值向量

其他分类属性

成本- - - - - -错误分类成本数字方阵

之前- - - - - -先验概率数值向量

scoretransform.- - - - - -分数转换特征向量|函数处理

对象的功能

例子

训练神经网络分类器

指定神经网络分类器结构

另请参阅

主题

统计和机器学习工具箱文档

金宝app

掌握机器学习:一步一步的指导与MATLAB

`LayerSizes`- - - - - -完全连接层的大小
正整数矢量

`LayerWeights`- - - - - -学习层重量
细胞阵列

`LayerBiases`- - - - - -学习层偏见
细胞阵列

`激活`- - - - - -完全连接层的激活功能
`'relu'`|`的双曲正切`|`“乙状结肠”`|`“没有”`|字符向量的单元格数组

`outputlayEractivation.`- - - - - -最终完全连接层的激活函数
`“softmax”`

`ModelParameters`- - - - - -用于训练模型的参数值
`neuralnetworkparams.`对象

`ConvergenceInfo`- - - - - -收敛信息
结构阵列

`培训汉语`- - - - - -培训历史
表格

`求解器`- - - - - -求解器用于训练神经网络模型
`“LBFGS”`

`预测`- - - - - -预测变量的名字
字符向量的单元格数组

`分类预测器`- - - - - -分类预测索引
正整数向量|`[]`

`ExpandedPredictorNames.`- - - - - -扩展预测仪名称
字符向量的单元格数组

`X`- - - - - -解体的预测因子
数字矩阵|表格

`一会`- - - - - -独特的类名
数值向量|分类向量|逻辑向量|字符阵列|字符向量的单元格数组

`ResponseName`- - - - - -响应变量名称
特征向量

`Y`- - - - - -类标签
数值向量|分类向量|逻辑向量|字符阵列|字符向量的单元格数组

`NumObservations`- - - - - -数量的观察
正数标量

`RowsUsed`- - - - - -适合的行
`[]`|逻辑向量

`W`- - - - - -观察权重
数值向量

`成本`- - - - - -错误分类成本
数字方阵

`之前`- - - - - -先验概率
数值向量

`scoretransform.`- - - - - -分数转换
特征向量|函数处理