主要内容G.ydF4y2Ba

KfoldedgeG.ydF4y2Ba

用于观察的分类边缘不用于培训G.ydF4y2Ba

全部展开页面G.ydF4y2Ba

语法G.ydF4y2Ba

e = kfoldedge（cvmdl）G.ydF4y2Ba
e = kfoldEdge (CVMdl、名称、值)G.ydF4y2Ba

描述G.ydF4y2Ba

示例G.ydF4y2Ba

E.G.ydF4y2Ba= kfoldedge（G.ydF4y2Bacvmdl.G.ydF4y2Ba）G.ydF4y2Ba返回交叉验证的G.ydF4y2Ba分类的边缘G.ydF4y2Ba由由线性分类模型组成的交叉验证的纠错输出代码（ECOC）模型获得G.ydF4y2Bacvmdl.G.ydF4y2Ba．也就是说，对于每一个折叠，G.ydF4y2BaKfoldedgeG.ydF4y2Ba估计分类边缘，以便在使用所有其他观察时培训它时它坚持下去。G.ydF4y2Ba

E.G.ydF4y2Ba包含包含的线性分类模型中的每个正则化强度的分类边沿G.ydF4y2Bacvmdl.G.ydF4y2Ba．G.ydF4y2Ba

示例G.ydF4y2Ba

E.G.ydF4y2Ba= kfoldedge（G.ydF4y2Bacvmdl.G.ydF4y2Ba那G.ydF4y2Ba名称，价值G.ydF4y2Ba）G.ydF4y2Ba使用一个或多个指定的附加选项G.ydF4y2Ba名称，价值G.ydF4y2Ba对论点。例如，指定解码方案，该方案折叠以用于边缘计算或冗长级别。G.ydF4y2Ba

输入参数G.ydF4y2Ba

展开所有G.ydF4y2Ba

交叉验证的ECOC模型由线性分类模型组成，指定为aG.ydF4y2BaClassificationPartitionedLinearECOCG.ydF4y2Ba模型对象。你可以创建一个G.ydF4y2BaClassificationPartitionedLinearECOCG.ydF4y2Ba模型使用G.ydF4y2BafitcecocG.ydF4y2Ba和：G.ydF4y2Ba

  1. 例如，指定任何一个交叉验证，名称值对参数，G.ydF4y2Ba横梁G.ydF4y2Ba

  2. 设置名称值对参数G.ydF4y2Ba学习者G.ydF4y2Ba来G.ydF4y2Ba“线性”G.ydF4y2Ba或返回的线性分类模型模板G.ydF4y2BatemplateLinearG.ydF4y2Ba

为了获得估计，kfoldEdge应用了用于交叉验证ECOC模型的相同数据(G.ydF4y2BaX.G.ydF4y2Ba和G.ydF4y2BayG.ydF4y2Ba）。G.ydF4y2Ba

名称值对参数G.ydF4y2Ba

指定可选的逗号分离对G.ydF4y2Ba名称，价值G.ydF4y2Ba论点。G.ydF4y2Ba的名字G.ydF4y2Ba是参数名称和G.ydF4y2Ba价值G.ydF4y2Ba为对应值。G.ydF4y2Ba的名字G.ydF4y2Ba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G.ydF4y2Baname1，value1，...，namen，valuenG.ydF4y2Ba．G.ydF4y2Ba

二进制学习者丢失功能，指定为逗号分隔对组成G.ydF4y2Ba'二元乐'G.ydF4y2Ba和内置，丢失功能名称或功能句柄。G.ydF4y2Ba

  • 此表包含内置函数的名称和描述，其中G.ydF4y2BayG.ydF4y2BajG.ydF4y2Ba是特定二进制学习者的类标签（集合{-1,1,0}），G.ydF4y2BaS.G.ydF4y2BajG.ydF4y2Ba是观察的分数G.ydF4y2BajG.ydF4y2Ba,G.ydF4y2BaG.G.ydF4y2Ba（G.ydF4y2BayG.ydF4y2BajG.ydF4y2Ba那G.ydF4y2BaS.G.ydF4y2BajG.ydF4y2Ba）是二进制损失公式。G.ydF4y2Ba

    价值G.ydF4y2Ba 描述G.ydF4y2Ba 分数域G.ydF4y2Ba G.G.ydF4y2Ba（G.ydF4y2BayG.ydF4y2BajG.ydF4y2Ba那G.ydF4y2BaS.G.ydF4y2BajG.ydF4y2Ba）G.ydF4y2Ba
    'binodeviance'G.ydF4y2Ba 二项异常G.ydF4y2Ba （ - ∞，∞）G.ydF4y2Ba 日志(1 + exp (2G.ydF4y2BayG.ydF4y2BajG.ydF4y2BaS.G.ydF4y2BajG.ydF4y2Ba日志(2)])]/ [2G.ydF4y2Ba
    '指数'G.ydF4y2Ba 幂数G.ydF4y2Ba （ - ∞，∞）G.ydF4y2Ba exp (-G.ydF4y2BayG.ydF4y2BajG.ydF4y2BaS.G.ydF4y2BajG.ydF4y2Ba）/ 2G.ydF4y2Ba
    '汉明'G.ydF4y2Ba 汉字G.ydF4y2Ba [0, 1]或(-∞,∞)G.ydF4y2Ba [1 - 符号（G.ydF4y2BayG.ydF4y2BajG.ydF4y2BaS.G.ydF4y2BajG.ydF4y2Ba) / 2G.ydF4y2Ba
    “枢纽”G.ydF4y2Ba 铰链G.ydF4y2Ba （ - ∞，∞）G.ydF4y2Ba max（0,1 -G.ydF4y2BayG.ydF4y2BajG.ydF4y2BaS.G.ydF4y2BajG.ydF4y2Ba）/ 2G.ydF4y2Ba
    “线性”G.ydF4y2Ba 线性G.ydF4y2Ba （ - ∞，∞）G.ydF4y2Ba （1 -G.ydF4y2BayG.ydF4y2BajG.ydF4y2BaS.G.ydF4y2BajG.ydF4y2Ba）/ 2G.ydF4y2Ba
    'logit'G.ydF4y2Ba 物流G.ydF4y2Ba （ - ∞，∞）G.ydF4y2Ba 日志[1 + exp (-G.ydF4y2BayG.ydF4y2BajG.ydF4y2BaS.G.ydF4y2BajG.ydF4y2Ba日志(2)])]/ [2G.ydF4y2Ba
    '二次'G.ydF4y2Ba 二次G.ydF4y2Ba [0,1]G.ydF4y2Ba (1 -G.ydF4y2BayG.ydF4y2BajG.ydF4y2Ba（2G.ydF4y2BaS.G.ydF4y2BajG.ydF4y2Ba- 1）]G.ydF4y2Ba2G.ydF4y2Ba/ 2G.ydF4y2Ba

    该软件使二进制损失正常化，当损失是0.5G.ydF4y2BayG.ydF4y2BajG.ydF4y2Ba= 0.此外，软件计算每个类的平均二进制损耗。G.ydF4y2Ba

  • 对于自定义二进制损耗函数，例如:G.ydF4y2BaCustomFunction.G.ydF4y2Ba，指定其函数句柄G.ydF4y2Ba'binaryloss'，@ customfunctionG.ydF4y2Ba．G.ydF4y2Ba

    CustomFunction.G.ydF4y2Ba应该有这个形式G.ydF4y2Ba

    bloss = customfunction（m，s）G.ydF4y2Ba
    在哪里：G.ydF4y2Ba

    • mG.ydF4y2Ba是G.ydF4y2BaK.G.ydF4y2Ba-G.ydF4y2BaL.G.ydF4y2Ba编码矩阵存储在G.ydF4y2Bamdl.codingmatrix.G.ydF4y2Ba．G.ydF4y2Ba

    • S.G.ydF4y2Ba是1 -G.ydF4y2BaL.G.ydF4y2Ba分类得分的行矢量。G.ydF4y2Ba

    • blG.ydF4y2Ba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。G.ydF4y2Ba

    • K.G.ydF4y2Ba是课程的数量。G.ydF4y2Ba

    • L.G.ydF4y2Ba是二元学习者的数量。G.ydF4y2Ba

    有关传递自定义二进制丢失功能的示例，请参阅G.ydF4y2Ba使用自定义二进制损耗函数预测Ecoc模型的测试样本标签G.ydF4y2Ba．G.ydF4y2Ba

默认情况下，如果所有二进制学习者都是线性分类模型，则使用：G.ydF4y2Ba

  • 支持向量机,然后G.ydF4y2Ba二进制数G.ydF4y2Ba是G.ydF4y2Ba“枢纽”G.ydF4y2Ba

  • Logistic回归，然后G.ydF4y2Ba二进制数G.ydF4y2Ba是G.ydF4y2Ba'二次'G.ydF4y2Ba

示例：G.ydF4y2Ba'binaryloss'，'binodeviance'G.ydF4y2Ba

数据类型：G.ydF4y2BacharG.ydF4y2Ba|G.ydF4y2Ba串G.ydF4y2Ba|G.ydF4y2Bafunction_handle.G.ydF4y2Ba

汇总二进制损耗的解码方案，指定为逗号分隔的对组成G.ydF4y2Ba'解码'G.ydF4y2Ba和G.ydF4y2Ba“失去重量”G.ydF4y2Ba或G.ydF4y2Ba'失败'G.ydF4y2Ba．有关更多信息，请参见G.ydF4y2Ba二元损失G.ydF4y2Ba．G.ydF4y2Ba

示例：G.ydF4y2Ba“解码”、“lossbased”G.ydF4y2Ba

用于分类评分预测的折叠指标，指定为包括的逗号分隔对G.ydF4y2Ba'折叠'G.ydF4y2Ba和一个正整数的数字矢量。元素G.ydF4y2Ba折叠G.ydF4y2Ba必须从G.ydF4y2Ba1G.ydF4y2Ba通过G.ydF4y2Bacvmdl.kfold.G.ydF4y2Ba．G.ydF4y2Ba

示例：G.ydF4y2Ba'折叠'，[1 4 10]G.ydF4y2Ba

数据类型：G.ydF4y2Ba单G.ydF4y2Ba|G.ydF4y2Ba双人间G.ydF4y2Ba

边缘聚合级别，指定为逗号分隔对组成G.ydF4y2Ba'模式'G.ydF4y2Ba和G.ydF4y2Ba“平均”G.ydF4y2Ba或G.ydF4y2Ba“个人”G.ydF4y2Ba．G.ydF4y2Ba

价值G.ydF4y2Ba 描述G.ydF4y2Ba
“平均”G.ydF4y2Ba 返回对所有折叠的平均分类边缘G.ydF4y2Ba
“个人”G.ydF4y2Ba 返回每个折叠的分类边G.ydF4y2Ba

示例：G.ydF4y2Ba'模式'，'个人'G.ydF4y2Ba

估算选项，指定为逗号分隔对组成G.ydF4y2Ba'选项'G.ydF4y2Ba和返回的结构阵列G.ydF4y2Ba实例化G.ydF4y2Ba．G.ydF4y2Ba

要调用并行计算:G.ydF4y2Ba

  • 您需要一个并行计算工具箱™许可证。G.ydF4y2Ba

  • 指定G.ydF4y2Ba'选项'，statset（'deverypallellel'，true）G.ydF4y2Ba．G.ydF4y2Ba

详细级别，指定为逗号分隔对组成G.ydF4y2Ba'verbose'G.ydF4y2Ba和G.ydF4y2Ba0.G.ydF4y2Ba或G.ydF4y2Ba1G.ydF4y2Ba．G.ydF4y2BaverbG.ydF4y2Ba控制软件在命令窗口中显示的诊断消息的数量。G.ydF4y2Ba

如果G.ydF4y2BaverbG.ydF4y2Ba是G.ydF4y2Ba0.G.ydF4y2Ba，则该软件不会显示诊断消息。否则，软件将显示诊断消息。G.ydF4y2Ba

示例：G.ydF4y2Ba“详细”,1G.ydF4y2Ba

数据类型：G.ydF4y2Ba单G.ydF4y2Ba|G.ydF4y2Ba双人间G.ydF4y2Ba

输出参数G.ydF4y2Ba

展开所有G.ydF4y2Ba

交叉验证G.ydF4y2Ba分类的边缘G.ydF4y2Ba，作为数字标量，向量或矩阵返回。G.ydF4y2Ba

让G.ydF4y2BaL.G.ydF4y2Ba是交叉验证模型中的正则化强度的数量（即，G.ydF4y2BaL.G.ydF4y2Ba是G.ydF4y2Ba元素个数(CVMdl.Trained {1} .BinaryLearners {1} .Lambda)G.ydF4y2Ba）和G.ydF4y2BaF.G.ydF4y2Ba为存储的折叠数G.ydF4y2Bacvmdl.kfold.G.ydF4y2Ba）。G.ydF4y2Ba

  • 如果G.ydF4y2Ba模式G.ydF4y2Ba是G.ydF4y2Ba“平均”G.ydF4y2Ba那么G.ydF4y2BaE.G.ydF4y2Ba是一个1-by-G.ydF4y2BaL.G.ydF4y2Ba向量。G.ydF4y2BaE（G.ydF4y2BajG.ydF4y2Ba）G.ydF4y2Ba是使用正则化强度的交叉验证模型的所有折叠的平均分类边缘G.ydF4y2BajG.ydF4y2Ba．G.ydF4y2Ba

  • 否则,G.ydF4y2BaE.G.ydF4y2Ba是A.G.ydF4y2BaF.G.ydF4y2Ba-G.ydF4y2BaL.G.ydF4y2Ba矩阵。G.ydF4y2BaE（G.ydF4y2Ba我G.ydF4y2Ba那G.ydF4y2BajG.ydF4y2Ba）G.ydF4y2Ba分类边是用来折叠的吗G.ydF4y2Ba我G.ydF4y2Ba使用正则化强度的交叉验证模型G.ydF4y2BajG.ydF4y2Ba．G.ydF4y2Ba

例子G.ydF4y2Ba

展开所有G.ydF4y2Ba

打开生活的脚本G.ydF4y2Ba

加载NLP数据集。G.ydF4y2Ba

加载G.ydF4y2Banlpdata.G.ydF4y2Ba

X.G.ydF4y2Ba是预测器数据的稀疏矩阵，以及G.ydF4y2BayG.ydF4y2Ba是类标签的分类向量。G.ydF4y2Ba

为简单起见，请使用标签'其他人'进行所有观察G.ydF4y2BayG.ydF4y2Ba不G.ydF4y2Ba“金宝app模型”G.ydF4y2Ba那G.ydF4y2Ba“dsp”G.ydF4y2Ba,或G.ydF4y2Ba'comm'G.ydF4y2Ba．G.ydF4y2Ba

Y (~ (ismember (Y, {G.ydF4y2Ba“金宝app模型”G.ydF4y2Ba那G.ydF4y2Ba“dsp”G.ydF4y2Ba那G.ydF4y2Ba'comm'G.ydF4y2Ba}）））=G.ydF4y2Ba“别人”G.ydF4y2Ba;G.ydF4y2Ba

交叉验证多字符，线性分类模型。G.ydF4y2Ba

RNG（1）;G.ydF4y2Ba重复性的％G.ydF4y2BaCVMdl = fitcecoc (X, Y,G.ydF4y2Ba“学习者”G.ydF4y2Ba那G.ydF4y2Ba“线性”G.ydF4y2Ba那G.ydF4y2Ba'横向'G.ydF4y2Ba那G.ydF4y2Ba'开'G.ydF4y2Ba）;G.ydF4y2Ba

cvmdl.G.ydF4y2Ba是A.G.ydF4y2BaClassificationPartitionedLinearECOCG.ydF4y2Ba模型。默认情况下，软件实现10倍交叉验证。您可以使用使用的折叠数G.ydF4y2Ba'kfold'G.ydF4y2Ba名称值对参数。G.ydF4y2Ba

估计折叠边缘边缘的平均值。G.ydF4y2Ba

e = kfoldedge（cvmdl）G.ydF4y2Ba
E = 0.7232.G.ydF4y2Ba

或者，您可以通过指定名称值对获取每个折叠边缘G.ydF4y2Ba'模式'，'个人'G.ydF4y2Bain.G.ydF4y2BaKfoldedgeG.ydF4y2Ba．G.ydF4y2Ba

打开生活的脚本G.ydF4y2Ba

执行特征选择的一种方法是比较G.ydF4y2BaK.G.ydF4y2Ba-从多个模型折边。仅根据这个准则，具有最高边的分类器就是最好的分类器。G.ydF4y2Ba

加载NLP数据集。预处理数据G.ydF4y2Ba估计k折叠交叉验证边缘G.ydF4y2Ba，并定向预测器数据，以便观察对应于列。G.ydF4y2Ba

加载G.ydF4y2Banlpdata.G.ydF4y2BaY (~ (ismember (Y, {G.ydF4y2Ba“金宝app模型”G.ydF4y2Ba那G.ydF4y2Ba“dsp”G.ydF4y2Ba那G.ydF4y2Ba'comm'G.ydF4y2Ba}）））=G.ydF4y2Ba“别人”G.ydF4y2Ba;x = x';G.ydF4y2Ba

创建这两个数据集：G.ydF4y2Ba

  • fullXG.ydF4y2Ba包含所有预测器。G.ydF4y2Ba

  • partx.G.ydF4y2Ba包含随机选择的预测因子的1/2。G.ydF4y2Ba

RNG（1）;G.ydF4y2Ba重复性的％G.ydF4y2Bap =尺寸（x，1）;G.ydF4y2Ba％预测器数量G.ydF4y2Bahalfpredidx = randsample（p，ceil（0.5 * p））;fullx = x;partx = x（halfpredidx，:);G.ydF4y2Ba

创建一个线性分类模型模板，指定使用sparsa优化目标函数。G.ydF4y2Ba

t = templatelinear（G.ydF4y2Ba“规划求解”G.ydF4y2Ba那G.ydF4y2Ba'sparsa'G.ydF4y2Ba）;G.ydF4y2Ba

交叉验证由二进制，线性分类模型组成的两个ecoc模型：使用所有预测器的eCOC型号，以及使用一半的预测器。表明观察对应于列。G.ydF4y2Ba

CVMdl = fitcecoc (fullX YG.ydF4y2Ba'学习者'G.ydF4y2Ba，t，G.ydF4y2Ba'横向'G.ydF4y2Ba那G.ydF4y2Ba'开'G.ydF4y2Ba那G.ydF4y2Ba．..G.ydF4y2Ba'观察'G.ydF4y2Ba那G.ydF4y2Ba'列'G.ydF4y2Ba）;pcvmdl = fitcecoc（partx，y，G.ydF4y2Ba'学习者'G.ydF4y2Ba，t，G.ydF4y2Ba'横向'G.ydF4y2Ba那G.ydF4y2Ba'开'G.ydF4y2Ba那G.ydF4y2Ba．..G.ydF4y2Ba'观察'G.ydF4y2Ba那G.ydF4y2Ba'列'G.ydF4y2Ba）;G.ydF4y2Ba

cvmdl.G.ydF4y2Ba和G.ydF4y2BaPCVMdlG.ydF4y2Ba是G.ydF4y2BaClassificationPartitionedLinearECOCG.ydF4y2Ba模型。G.ydF4y2Ba

估计G.ydF4y2BaK.G.ydF4y2Ba-折边为每个分类器。G.ydF4y2Ba

FultEdge = KfoldEdge（CVMDL）G.ydF4y2Ba
ullEdge = 0.3090.G.ydF4y2Ba
伙伴= kfoldedge（pcvmdl）G.ydF4y2Ba
伙伴德德= 0.2617.G.ydF4y2Ba

基于G.ydF4y2BaK.G.ydF4y2Ba- 折叠边缘，使用所有预测器的分类器是更好的模型。G.ydF4y2Ba

打开生活的脚本G.ydF4y2Ba

为了确定使用逻辑回归学习者的线性分类模型的良好租赁强度，比较K折边缘。G.ydF4y2Ba

加载NLP数据集。预处理数据G.ydF4y2Ba使用k折边缘的功能选择G.ydF4y2Ba．G.ydF4y2Ba

加载G.ydF4y2Banlpdata.G.ydF4y2BaY (~ (ismember (Y, {G.ydF4y2Ba“金宝app模型”G.ydF4y2Ba那G.ydF4y2Ba“dsp”G.ydF4y2Ba那G.ydF4y2Ba'comm'G.ydF4y2Ba}）））=G.ydF4y2Ba“别人”G.ydF4y2Ba;x = x';G.ydF4y2Ba

创建一组8个对数间隔的正则化强度G.ydF4y2Ba 1G.ydF4y2Ba 0.G.ydF4y2Ba -G.ydF4y2Ba 8.G.ydF4y2Ba 通过G.ydF4y2Ba 1G.ydF4y2Ba 0.G.ydF4y2Ba 1G.ydF4y2Ba ．G.ydF4y2Ba

lambda = logspace（-8,1,8）;G.ydF4y2Ba

创建一个线性分类模型模板，指定使用Lasso惩罚的Logistic回归，使用每个正则化强度，使用Sparsa优化目标函数，并降低目标函数梯度的容差G.ydF4y2Ba1E-8G.ydF4y2Ba．G.ydF4y2Ba

t = templatelinear（G.ydF4y2Ba“学习者”G.ydF4y2Ba那G.ydF4y2Ba'逻辑'G.ydF4y2Ba那G.ydF4y2Ba“规划求解”G.ydF4y2Ba那G.ydF4y2Ba'sparsa'G.ydF4y2Ba那G.ydF4y2Ba．..G.ydF4y2Ba'正规化'G.ydF4y2Ba那G.ydF4y2Ba'套索'G.ydF4y2Ba那G.ydF4y2Ba'lambda'G.ydF4y2Baλ,G.ydF4y2Ba'gradienttolerance'G.ydF4y2Ba，1E-8）;G.ydF4y2Ba

交叉验证由二进制，线性分类模型组成的ECOC模型，使用5倍交叉验证和该模型G.ydF4y2Ba

RNG（10）G.ydF4y2Ba重复性的％G.ydF4y2BaCVMdl = fitcecoc (X, Y,G.ydF4y2Ba'学习者'G.ydF4y2Ba，t，G.ydF4y2Ba'观察'G.ydF4y2Ba那G.ydF4y2Ba'列'G.ydF4y2Ba那G.ydF4y2Ba'kfold'G.ydF4y2Ba5）G.ydF4y2Ba
cvmdl = classificationedlinearecoc crossvalidatedmodel：'linearecoc'racatectename：'y'numobservations：31572 kfold：5分区：[1x1 cvpartition] classnames：[comm dsp simulink其他] scoreTransfo金宝apprm：'无'属性，方法G.ydF4y2Ba

cvmdl.G.ydF4y2Ba是A.G.ydF4y2BaClassificationPartitionedLinearECOCG.ydF4y2Ba模型。G.ydF4y2Ba

为每个折叠和正则化强度估计边缘。G.ydF4y2Ba

efolds = kfoldedge（cvmdl，G.ydF4y2Ba'模式'G.ydF4y2Ba那G.ydF4y2Ba“个人”G.ydF4y2Ba）G.ydF4y2Ba
eFolds =G.ydF4y2Ba5×8.G.ydF4y2Ba0.5553 0.5555 0.5556 0.5544 0.4957 0.2938 0.1044 0.0853 0.5301 0.5306 0.5306 0.5310 0.4826 0.2944 0.1049 0.0868 0.5278 0.5284 0.5293 0.5290 0.4764 0.2906 0.1039 0.0867 0.5387 0.5398 0.5408 0.5377 0.4844 0.2897 0.1016 0.0857 0.5509 0.5569 0.5571 0.5568 0.4951 0.2938 0.1032 0.0850G.ydF4y2Ba

efolds.G.ydF4y2Ba是一个5×8的边缘矩阵。行对应于折叠，列对应于正则化强度G.ydF4y2Balambda.G.ydF4y2Ba．你可以使用G.ydF4y2Baefolds.G.ydF4y2Ba用来识别表现不佳的褶皱，也就是异常低的边缘。G.ydF4y2Ba

估计每个正规化强度在所有折痕上的平均边。G.ydF4y2Ba

e = kfoldedge（cvmdl）G.ydF4y2Ba
E =G.ydF4y2Ba1×8G.ydF4y2Ba0.5406 0.5422 0.5427 0.5418 0.4868 0.2924 0.1036 0.0859G.ydF4y2Ba

确定模型通过绘制每个正则化强度的5倍边缘的平均值的概括。确定最大化电网上的5倍边缘的正则化强度。G.ydF4y2Ba

图绘图（log10（lambda），log10（e），G.ydF4y2Ba'-o'G.ydF4y2Ba）[〜，maxeidx] = max（e）;maxlambda = lambda（maxeidx）;holdG.ydF4y2Ba在G.ydF4y2Ba绘图（log10（maxlambda），log10（e（maxeidx）），G.ydF4y2Ba'ro'G.ydF4y2Ba) ylabel (G.ydF4y2Ba“log_{10} 5倍边缘的G.ydF4y2Ba)包含(G.ydF4y2Ba'log_ {10} lambda'G.ydF4y2Ba）传奇（G.ydF4y2Ba“边缘”G.ydF4y2Ba那G.ydF4y2Ba'max边缘'G.ydF4y2Ba)举行G.ydF4y2Ba从G.ydF4y2Ba

图包含轴。轴包含2个类型的型号。这些对象表示边缘，最大边缘。G.ydF4y2Ba

几个值G.ydF4y2Balambda.G.ydF4y2Ba产生类似的高边缘。更大的正则化强度值导致预测器可变稀疏性，这是一个良好的分类器质量。G.ydF4y2Ba

选择正规化强度发生在边缘开始下降之前。G.ydF4y2Ba

LambdaFinal =λ(4);G.ydF4y2Ba

使用整个数据集培训由线性分类模型组成的ecoc模型，并指定正则化强度G.ydF4y2BaLambdaFinalG.ydF4y2Ba．G.ydF4y2Ba

t = templatelinear（G.ydF4y2Ba“学习者”G.ydF4y2Ba那G.ydF4y2Ba'逻辑'G.ydF4y2Ba那G.ydF4y2Ba“规划求解”G.ydF4y2Ba那G.ydF4y2Ba'sparsa'G.ydF4y2Ba那G.ydF4y2Ba．..G.ydF4y2Ba'正规化'G.ydF4y2Ba那G.ydF4y2Ba'套索'G.ydF4y2Ba那G.ydF4y2Ba'lambda'G.ydF4y2BaLambdaFinal,G.ydF4y2Ba'gradienttolerance'G.ydF4y2Ba，1E-8）;mdlfinal = fitcecoc（x，y，G.ydF4y2Ba'学习者'G.ydF4y2Ba，t，G.ydF4y2Ba'观察'G.ydF4y2Ba那G.ydF4y2Ba'列'G.ydF4y2Ba）;G.ydF4y2Ba

要估计新观测值的标签，请通过G.ydF4y2BaMdlFinalG.ydF4y2Ba和新的数据G.ydF4y2Ba预测G.ydF4y2Ba．G.ydF4y2Ba

更多关于G.ydF4y2Ba

展开所有G.ydF4y2Ba

参考资料G.ydF4y2Ba

[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。”G.ydF4y2Ba机床学习研究G.ydF4y2Ba．2000年第1卷，113-141页。G.ydF4y2Ba

[2] Escalera，S.，O. pujol和P. Radeva。“在三元纠错输出代码中解码过程。”G.ydF4y2Ba图案分析和机器智能的IEEE交易G.ydF4y2Ba．卷。32，第7号，2010年第70页，第120-134页。G.ydF4y2Ba

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。G.ydF4y2Ba模式识别G.ydF4y2Ba．卷。30，第3,2009号，第285-297页。G.ydF4y2Ba

扩展能力G.ydF4y2Ba

另请参阅G.ydF4y2Ba

|G.ydF4y2Ba|G.ydF4y2Ba|G.ydF4y2Ba|G.ydF4y2Ba|G.ydF4y2Ba|G.ydF4y2Ba|G.ydF4y2Ba

主题G.ydF4y2Ba

在R2016A介绍G.ydF4y2Ba

统计和机器学习工具箱文档G.ydF4y2Ba

金宝app

掌握机器学习：使用MATLAB逐步指南G.ydF4y2Ba

掌握机器学习：使用MATLAB逐步指南G.ydF4y2Ba

下载电子书G.ydF4y2Ba