主要内容gydF4y2Ba

kfoldLossgydF4y2Ba

训练中未使用的观察值的分类损失gydF4y2Ba

在第页中展开全部gydF4y2Ba

语法gydF4y2Ba

L = kfoldLoss (CVMdl)gydF4y2Ba
L=kfoldLoss（CVMdl、名称、值）gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

lgydF4y2Ba=kfoldLoss(gydF4y2BaCVMdlgydF4y2Ba）gydF4y2Ba返回旨在gydF4y2Ba分类错误gydF4y2Ba由线性分类模型组成的交叉验证、纠错输出码（ECOC）模型估计的速率gydF4y2BaCVMdlgydF4y2Ba．也就是说，对于每一次折叠，gydF4y2BakfoldLossgydF4y2Ba当它使用所有其他的观察来训练时，估计观察结果的分类错误率。gydF4y2BakfoldLossgydF4y2Ba应用创建时使用的相同数据gydF4y2BaCVMdlgydF4y2Ba（见gydF4y2BafitcecocgydF4y2Ba）.gydF4y2Ba

lgydF4y2Ba包含组成的线性分类模型中每个正规化强度的分类损失gydF4y2BaCVMdlgydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

lgydF4y2Ba=kfoldLoss(gydF4y2BaCVMdlgydF4y2Ba，gydF4y2Ba名称,值gydF4y2Ba）gydF4y2Ba使用一个或多个指定的附加选项gydF4y2Ba名称,值gydF4y2Ba对参数。例如，指定一个解码方案，它折叠用于损失计算，或详细级别。gydF4y2Ba

输入参数gydF4y2Ba

全部展开gydF4y2Ba

经交叉验证，ECOC模型由线性分类模型组成，指定为gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba模型对象。您可以创建gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba模型使用gydF4y2BafitcecocgydF4y2Ba和:gydF4y2Ba

  1. 例如，指定任意一个交叉验证的名称-值对参数，gydF4y2BaCrossValgydF4y2Ba

  2. 设置名称-值对参数gydF4y2Ba学习者gydF4y2Ba到gydF4y2Ba“线性”gydF4y2Ba或返回的线性分类模型模板gydF4y2Ba模板线性gydF4y2Ba

为了获得估计，kfoldLoss应用了用于交叉验证ECOC模型的相同数据(gydF4y2BaXgydF4y2Ba和gydF4y2BaYgydF4y2Ba）.gydF4y2Ba

名称-值参数gydF4y2Ba

指定可选的逗号分隔的对gydF4y2Ba名称,值gydF4y2Ba参数。gydF4y2Ba名称gydF4y2Ba参数名和gydF4y2Ba价值gydF4y2Ba为对应值。gydF4y2Ba名称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

二进制学习者损失函数，指定为逗号分隔对，由gydF4y2Ba“BinaryLoss”gydF4y2Ba以及内置的丢失函数名或函数句柄。gydF4y2Ba

  • 该表包含内置函数的名称和描述，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这是观察的分数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
    “指数型”gydF4y2Ba 指数型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 物流的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。此外，软件计算每个类别的平均二进制损失。gydF4y2Ba

  • 对于自定义二进制丢失函数，例如。，gydF4y2BacustomFunctiongydF4y2Ba，指定其函数句柄gydF4y2Ba“BinaryLoss”，@customFunctiongydF4y2Ba．gydF4y2Ba

    customFunctiongydF4y2Ba应该有这个表格gydF4y2Ba

    布劳斯= customFunction (M s)gydF4y2Ba
    地点: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

    • 布洛斯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丢失函数的示例，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

默认情况下，如果所有二进制学习器都是线性分类模型，则使用：gydF4y2Ba

  • 那么gydF4y2BaBinaryLossgydF4y2Ba是gydF4y2Ba“枢纽”gydF4y2Ba

  • 逻辑回归,然后gydF4y2BaBinaryLossgydF4y2Ba是gydF4y2Ba“二次”gydF4y2Ba

例子:gydF4y2Ba“BinaryLoss”、“binodeviance”gydF4y2Ba

数据类型：gydF4y2Ba字符gydF4y2Ba|gydF4y2Ba一串gydF4y2Ba|gydF4y2Bafunction_handlegydF4y2Ba

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“损失基础”gydF4y2Ba。有关详细信息，请参阅gydF4y2Ba二进制损耗gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“解码”、“lossbased”gydF4y2Ba

用于分类分数预测的折叠索引，指定为逗号分隔对，由gydF4y2Ba“折叠”gydF4y2Ba和一个正整数的数字向量。的元素gydF4y2Ba折叠gydF4y2Ba必须从gydF4y2Ba1gydF4y2Ba通过gydF4y2BaCVMdl.KFoldgydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“褶皱”[1 4 10]gydF4y2Ba

数据类型：gydF4y2Ba仅有一个的gydF4y2Ba|gydF4y2Ba双重的gydF4y2Ba

损失函数，指定为逗号分隔对组成gydF4y2Ba“LossFun”gydF4y2Ba和函数句柄或gydF4y2Ba“classiferror”gydF4y2Ba．gydF4y2Ba

您可以:gydF4y2Ba

  • 指定内置函数gydF4y2Ba“classiferror”gydF4y2Ba，则损失函数为gydF4y2Ba分类错误gydF4y2Ba．gydF4y2Ba

  • 使用函数句柄表示法指定你自己的函数。gydF4y2Ba

    接下来,gydF4y2BangydF4y2Ba是训练数据中的观察数(gydF4y2BaCVMdl。NumObservationsgydF4y2Ba)及gydF4y2BaKgydF4y2Ba为班级数(gydF4y2Ba元素个数(CVMdl.ClassNames)gydF4y2Ba).您的功能需要签名gydF4y2Balossvalue =gydF4y2Ba失意gydF4y2Ba（C、S、W、成本）gydF4y2Ba，其中：gydF4y2Ba

    • 输出参数gydF4y2BalossvaluegydF4y2Ba是一个标量。gydF4y2Ba

    • 选择函数名(gydF4y2Ba失意gydF4y2Ba）.gydF4y2Ba

    • CgydF4y2Ba是一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BaKgydF4y2Ba逻辑矩阵，其行表示相应的观测属于哪一类。中的列顺序对应于类的顺序gydF4y2BaCVMdl。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。设置行中的每个元素gydF4y2BapgydF4y2Ba到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gydF4y2BaCVMdl。ClassNames．gydF4y2Ba年代gydF4y2Ba类似于输出参数gydF4y2BaNegLossgydF4y2Ba的gydF4y2BakfoldPredictgydF4y2Ba．gydF4y2Ba

    • WgydF4y2Ba是一个gydF4y2BangydF4y2Ba-观察权重的by-1数值向量。如果通过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,gydF4y2Ba成本gydF4y2Ba＝gydF4y2Ba(K)的黑眼圈(K)gydF4y2Ba指定正确分类的成本为0，错误分类的成本为1。gydF4y2Ba

    使用以下命令指定函数gydF4y2BaLossFun, @lossfungydF4y2Ba．gydF4y2Ba

数据类型：gydF4y2Bafunction_handlegydF4y2Ba|gydF4y2Ba字符gydF4y2Ba|gydF4y2Ba一串gydF4y2Ba

损失聚合级别，指定为逗号分隔对组成gydF4y2Ba“模式”gydF4y2Ba和gydF4y2Ba“平均”gydF4y2Ba或gydF4y2Ba“个人”gydF4y2Ba．gydF4y2Ba

价值gydF4y2Ba 描述gydF4y2Ba
“平均”gydF4y2Ba 所有折叠的平均收益损失gydF4y2Ba
“个人”gydF4y2Ba 返回每一折的损失gydF4y2Ba

例子:gydF4y2Ba“模式”,“个人”gydF4y2Ba

估计选项，指定为逗号分隔对，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

  • 具体说明gydF4y2Ba“选项”,statset (UseParallel,真的)gydF4y2Ba．gydF4y2Ba

详细级别，指定为逗号分隔对，由gydF4y2Ba“冗长”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数。gydF4y2Ba

如果gydF4y2Ba详细的gydF4y2Ba是gydF4y2Ba0gydF4y2Ba，则软件不显示诊断消息。否则，软件将显示诊断消息。gydF4y2Ba

例子:gydF4y2Ba“冗长”，1gydF4y2Ba

数据类型：gydF4y2Ba仅有一个的gydF4y2Ba|gydF4y2Ba双重的gydF4y2Ba

输出参数gydF4y2Ba

全部展开gydF4y2Ba

交叉验证gydF4y2Ba分类损失gydF4y2Ba，以数字标量、向量或矩阵的形式返回。的解释gydF4y2BalgydF4y2Ba取决于gydF4y2BaLossFungydF4y2Ba．gydF4y2Ba

让gydF4y2BaRgydF4y2Ba正则化强度的数量是交叉验证的模型(gydF4y2BaCVMdl.Trained {1} .BinaryLearners {1} .LambdagydF4y2Ba)及gydF4y2BaFgydF4y2Ba为存储的折叠数gydF4y2BaCVMdl.KFoldgydF4y2Ba）.gydF4y2Ba

  • 如果gydF4y2Ba模式gydF4y2Ba是gydF4y2Ba“平均”gydF4y2Ba,然后gydF4y2BalgydF4y2Ba是1 -gydF4y2BaRgydF4y2Ba向量。gydF4y2BaL (gydF4y2BajgydF4y2Ba）gydF4y2Ba是使用正则化强度的交叉验证模型所有折叠的平均分类损失gydF4y2BajgydF4y2Ba．gydF4y2Ba

  • 否则gydF4y2BalgydF4y2Ba是一个gydF4y2BaFgydF4y2Ba——- - - - - -gydF4y2BaRgydF4y2Ba矩阵gydF4y2BaL (gydF4y2Ba我gydF4y2Ba，gydF4y2BajgydF4y2Ba）gydF4y2Ba是折页的分类损失吗gydF4y2Ba我gydF4y2Ba使用正规化强度的交叉验证模型gydF4y2BajgydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

全部展开gydF4y2Ba

打开生活的脚本gydF4y2Ba

加载NLP数据集。gydF4y2Ba

负载gydF4y2BanlpdatagydF4y2Ba

XgydF4y2Ba是预测数据的稀疏矩阵，以及gydF4y2BaYgydF4y2Ba是类标签的分类向量。gydF4y2Ba

交叉验证线性分类模型的ECOC模型。gydF4y2Ba

rng (1);gydF4y2Ba%的再现性gydF4y2BaCVMdl=FITCECOCC（X，Y，gydF4y2Ba“学习者”gydF4y2Ba，gydF4y2Ba“线性”gydF4y2Ba，gydF4y2Ba“CrossVal”gydF4y2Ba，gydF4y2Ba“上”gydF4y2Ba）;gydF4y2Ba

CVMdlgydF4y2Ba是一个gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba默认情况下，软件实现10倍交叉验证。gydF4y2Ba

估计出折叠分类错误率的平均值。gydF4y2Ba

ce = kfoldLoss (CVMdl)gydF4y2Ba
ce = 0.0958gydF4y2Ba

或者，您可以通过指定名称-值对来获得每倍分类错误率gydF4y2Ba“模式”,“个人”gydF4y2Ba在gydF4y2BakfoldLossgydF4y2Ba．gydF4y2Ba

打开生活的脚本gydF4y2Ba

加载NLP数据集。交换预测数据。gydF4y2Ba

负载gydF4y2BanlpdatagydF4y2BaX = X ';gydF4y2Ba

为简单起见，在所有的观察中使用“其他”标签gydF4y2BaYgydF4y2Ba那不是gydF4y2Ba“金宝appsimulink”gydF4y2Ba，gydF4y2Ba“dsp”gydF4y2Ba或gydF4y2Ba“通信”gydF4y2Ba．gydF4y2Ba

Y（~）是成员（Y{gydF4y2Ba“金宝appsimulink”gydF4y2Ba，gydF4y2Ba“dsp”gydF4y2Ba，gydF4y2Ba“通信”gydF4y2Ba}))) =gydF4y2Ba“别人”gydF4y2Ba；gydF4y2Ba

创建一个线性分类模型模板，指定使用SpaRSA优化目标函数。gydF4y2Ba

t = templateLinear (gydF4y2Ba“规划求解”gydF4y2Ba，gydF4y2Ba“sparsa”gydF4y2Ba）;gydF4y2Ba

用5倍交叉验证交叉验证线性分类模型的ECOC模型。利用SpaRSA优化目标函数。指定预测器观察值对应于列。gydF4y2Ba

rng (1);gydF4y2Ba%的再现性gydF4y2BaCVMdl=FITCECOCC（X，Y，gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“KFold”gydF4y2Ba5,gydF4y2Ba“ObservationsIn”gydF4y2Ba，gydF4y2Ba“列”gydF4y2Ba）;CMdl1 = CVMdl。训练有素的{1}gydF4y2Ba
CMdl1 = CompactClassificationECOC ResponseName: 'Y' ClassNames: [comm dsp 金宝appsimulink others] ScoreTransform: 'none' BinaryLearners: {6x1 cell} CodingMatrix: [4x6 double]属性，方法gydF4y2Ba

CVMdlgydF4y2Ba是一个gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba模型。它包含属性gydF4y2Ba训练gydF4y2Ba，这是一个5 × 1单元格数组，包含一个gydF4y2BaCompactClassificationECOCgydF4y2Ba软件使用每个折叠的训练集训练的模型。gydF4y2Ba

创建一个函数，取每个观测的最小损失，然后对所有观测的最小损失进行平均。因为函数不使用类标识符矩阵(gydF4y2BaCgydF4y2Ba)、观测权重(gydF4y2BaWgydF4y2Ba)及分类费用(gydF4y2Ba成本gydF4y2Ba),使用gydF4y2Ba～gydF4y2Ba有gydF4y2BakfoldLossgydF4y2Ba忽略他们的立场。gydF4y2Ba

lossfun = @ (~ S ~ ~)意味着(最低(- S, [], 2));gydF4y2Ba

使用每个观测函数的最小损失估计平均交叉验证的分类损失。同时，获得每一折的损失。gydF4y2Ba

ce = kfoldLoss (CVMdl,gydF4y2Ba“LossFun”gydF4y2Balossfun)gydF4y2Ba
ce = 0.0243gydF4y2Ba
ceFold=kfoldLoss（CVMdl，gydF4y2Ba“LossFun”gydF4y2Balossfun,gydF4y2Ba“模式”gydF4y2Ba，gydF4y2Ba“个人”gydF4y2Ba）gydF4y2Ba
此后=gydF4y2Ba5×1gydF4y2Ba0.0244 0.0255 0.0248 0.0240 0.0226gydF4y2Ba
打开生活的脚本gydF4y2Ba

为了确定由使用逻辑回归学习器的线性分类模型组成的ECOC模型的良好套索惩罚强度，实施5倍交叉验证。gydF4y2Ba

加载NLP数据集。gydF4y2Ba

负载gydF4y2BanlpdatagydF4y2Ba

XgydF4y2Ba是预测数据的稀疏矩阵，以及gydF4y2BaYgydF4y2Ba是类标签的分类向量。gydF4y2Ba

为简单起见，在所有的观察中使用“其他”标签gydF4y2BaYgydF4y2Ba那不是gydF4y2Ba“金宝appsimulink”gydF4y2Ba，gydF4y2Ba“dsp”gydF4y2Ba或gydF4y2Ba“通信”gydF4y2Ba．gydF4y2Ba

Y（~）是成员（Y{gydF4y2Ba“金宝appsimulink”gydF4y2Ba，gydF4y2Ba“dsp”gydF4y2Ba，gydF4y2Ba“通信”gydF4y2Ba}))) =gydF4y2Ba“别人”gydF4y2Ba；gydF4y2Ba

从中创建一组11个对数间隔的正则化强度gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba -gydF4y2Ba 7gydF4y2Ba 通过gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba -gydF4y2Ba 2gydF4y2Ba ．gydF4y2Ba

λ= logspace (7 2 11);gydF4y2Ba

创建一个线性分类模型模板，指定使用逻辑回归学习者，使用套索惩罚的力量gydF4y2BaλgydF4y2Ba，使用SpaRSA训练，并降低目标函数梯度的容差为gydF4y2Ba1e-8gydF4y2Ba．gydF4y2Ba

t = templateLinear (gydF4y2Ba“学习者”gydF4y2Ba，gydF4y2Ba“物流”gydF4y2Ba，gydF4y2Ba“规划求解”gydF4y2Ba，gydF4y2Ba“sparsa”gydF4y2Ba，gydF4y2Ba...gydF4y2Ba“正规化”gydF4y2Ba，gydF4y2Ba“套索”gydF4y2Ba，gydF4y2Ba“λ”gydF4y2Baλ,gydF4y2Ba“GradientTolerance”gydF4y2Ba1 e-8);gydF4y2Ba

旨在模型。要提高执行速度，可以调换预测器数据并指定观察结果在列中。gydF4y2Ba

X = X ';rng (10);gydF4y2Ba%的再现性gydF4y2BaCVMdl=FITCECOCC（X，Y，gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“ObservationsIn”gydF4y2Ba，gydF4y2Ba“列”gydF4y2Ba，gydF4y2Ba“KFold”gydF4y2Ba5);gydF4y2Ba

CVMdlgydF4y2Ba是一个gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba模型。gydF4y2Ba

解剖gydF4y2BaCVMdlgydF4y2Ba，以及其中的每个模型。gydF4y2Ba

numECOCModels =元素个数(CVMdl.Trained)gydF4y2Ba
numECOCModels=5gydF4y2Ba
ECOCMdl1=CVMdl.Trained{1}gydF4y2Ba
ECOCMdl1 = CompactClassificationECOC ResponseName: 'Y' ClassNames: [comm dsp 金宝appsimulink others] ScoreTransform: 'none' BinaryLearners: {6×1 cell} CodingMatrix: [4×6 double]属性，方法gydF4y2Ba
numCLModels =元素个数(ECOCMdl1.BinaryLearners)gydF4y2Ba
numCLModels=6gydF4y2Ba
CLMdl1 = ECOCMdl1。BinaryLearners {1}gydF4y2Ba
CLMdl1=ClassificationLinear ResponseName:'Y'类名称：[-11]分数转换：'logit'β：[34023×11双]偏差：[-0.3169-0.3169-0.3168-0.3168-0.3167-0.1725-0.0805-0.1762-0.3450-0.5174]λ：[1.0000e-07 3.1623e-07 1.0000e-06 3.1623e-06 1.0000e-05 3.1623e-05 1.0000e-04 3.162010E-0.03]学习者：“逻辑”属性、方法gydF4y2Ba

因为gydF4y2BafitcecocgydF4y2Ba实现5倍交叉验证,gydF4y2BaCVMdlgydF4y2Ba包含一个5 × 1单元数组gydF4y2BaCompactClassificationECOCgydF4y2Ba软件在每次折叠时训练的模型。的gydF4y2BaBinaryLearnersgydF4y2Ba财产的gydF4y2BaCompactClassificationECOCgydF4y2Ba模型包含了gydF4y2BaClassificationLineargydF4y2Ba型号。数量gydF4y2BaClassificationLineargydF4y2Ba每个紧凑ECOC型号内的型号取决于不同的标签和编码设计的数量。因为gydF4y2BaλgydF4y2Ba你能想到一个正规化强度的序列吗gydF4y2BaCLMdl1gydF4y2Ba作为11个模型，每个正规化强度在gydF4y2BaλgydF4y2Ba．gydF4y2Ba

通过绘制每个正则化强度的5倍分类误差的平均值，确定模型的泛化程度。确定正则化强度，使网格上的泛化误差最小化。gydF4y2Ba

ce = kfoldLoss (CVMdl);图;plot(log10(Lambda)，log10(ce)) [~，minCEIdx] = min(ce);minLambda =λ(minCEIdx);持有gydF4y2Ba在gydF4y2Ba情节(log10 (minLambda) log10 (ce (minCEIdx)),gydF4y2Ba“罗”gydF4y2Ba)；伊莱贝尔(gydF4y2Ba'log_{10} 5倍分类错误'gydF4y2Ba)包含(gydF4y2Ba“log_{10}λ的gydF4y2Ba)传奇(gydF4y2Ba“MSE”gydF4y2Ba，gydF4y2Ba“最小分类错误”gydF4y2Ba)举行gydF4y2Ba从gydF4y2Ba

使用整个数据集训练由线性分类模型组成的ECOC模型，并指定最小正则化强度。gydF4y2Ba

t = templateLinear (gydF4y2Ba“学习者”gydF4y2Ba，gydF4y2Ba“物流”gydF4y2Ba，gydF4y2Ba“规划求解”gydF4y2Ba，gydF4y2Ba“sparsa”gydF4y2Ba，gydF4y2Ba...gydF4y2Ba“正规化”gydF4y2Ba，gydF4y2Ba“套索”gydF4y2Ba，gydF4y2Ba“λ”gydF4y2Ba，minLambda，gydF4y2Ba“GradientTolerance”gydF4y2Ba1 e-8);MdlFinal = fitcecoc (X, Y,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“ObservationsIn”gydF4y2Ba，gydF4y2Ba“列”gydF4y2Ba）;gydF4y2Ba

要估计新观测值的标签，请传递gydF4y2BaMdlFinalgydF4y2Ba和新的数据gydF4y2Ba预测gydF4y2Ba．gydF4y2Ba

更多关于gydF4y2Ba

全部展开gydF4y2Ba

参考文献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gydF4y2Ba2000年第1卷，第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第32卷，第7期，2010年，第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

扩展能力gydF4y2Ba

另请参阅gydF4y2Ba

|gydF4y2Ba|gydF4y2Ba|gydF4y2Ba|gydF4y2Ba|gydF4y2Ba|gydF4y2Ba

主题gydF4y2Ba

介绍了R2016agydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

金宝app

掌握机器学习:一步一步的指导与MATLABgydF4y2Ba

掌握机器学习:一步一步的指导与MATLABgydF4y2Ba

下载电子书gydF4y2Ba