训练中未使用的观察值的分类损失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gydF4y2BalgydF4y2Ba
=kfoldLoss(gydF4y2BaCVMdlgydF4y2Ba
)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
使用一个或多个指定的附加选项gydF4y2BalgydF4y2Ba
=kfoldLoss(gydF4y2BaCVMdlgydF4y2Ba
,gydF4y2Ba名称,值gydF4y2Ba
)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
CVMdlgydF4y2Ba
- - - - - -gydF4y2Ba经交叉验证,ECOC模型由线性分类模型组成gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba
模型对象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
例如,指定任意一个交叉验证的名称-值对参数,gydF4y2BaCrossValgydF4y2Ba
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
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
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“指数型”gydF4y2Ba
|gydF4y2Ba“binodeviance”gydF4y2Ba
|gydF4y2Ba“枢纽”gydF4y2Ba
|gydF4y2Ba“二次”gydF4y2Ba
|gydF4y2Ba函数处理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
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
解码gydF4y2Ba
- - - - - -gydF4y2Ba解码方案gydF4y2Ba“lossweighted”gydF4y2Ba
(默认)|gydF4y2Ba“损失基础”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“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
折叠gydF4y2Ba
- - - - - -gydF4y2Ba用于分类评分预测的折叠指数gydF4y2Ba1:CVMdl.KFoldgydF4y2Ba
(默认)|gydF4y2Ba正整数的数值向量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
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
,其中:gydF4y2Ba失意gydF4y2Ba
(C、S、W、成本)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
模式gydF4y2Ba
- - - - - -gydF4y2Ba聚合损失水平gydF4y2Ba“平均”gydF4y2Ba
(默认)|gydF4y2Ba“个人”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
选择权gydF4y2Ba
- - - - - -gydF4y2Ba估算选项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
详细的gydF4y2Ba
- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba0gydF4y2Ba
(默认)|gydF4y2Ba1gydF4y2Ba
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
lgydF4y2Ba
-交叉验证的分类损失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 (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
)gydF4y2BajgydF4y2Ba
.gydF4y2Ba
否则gydF4y2BalgydF4y2Ba
是一个gydF4y2BaFgydF4y2Ba
——- - - - - -gydF4y2BaRgydF4y2Ba
矩阵gydF4y2BaL (gydF4y2Ba
是折页的分类损失吗gydF4y2Ba我gydF4y2Ba
,gydF4y2BajgydF4y2Ba
)gydF4y2Ba我gydF4y2Ba
使用正规化强度的交叉验证模型gydF4y2BajgydF4y2Ba
.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
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
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 通过gydF4y2Ba .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
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二元学习者的学习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等人。]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gydF4y2Ba损失加权译码gydF4y2Ba[Escalera等人。]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建议通过将所有类别的损失值保持在相同的动态范围内,损失加权解码可提高分类精度。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这是观察的分数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,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丧失gydF4y2Ba
和gydF4y2Ba预测gydF4y2Ba
对象函数),它衡量ECOC分类器作为一个整体的性能。gydF4y2Ba
的gydF4y2Ba分类错误gydF4y2Ba是一个二进制分类错误度量,其形式为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与它的真实类不同,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
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
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
ClassificationPartitionedLinearECOCgydF4y2Ba
|gydF4y2BaClassificationECOCgydF4y2Ba
|gydF4y2BaClassificationLineargydF4y2Ba
|gydF4y2Ba丧失gydF4y2Ba
|gydF4y2BakfoldPredictgydF4y2Ba
|gydF4y2BafitcecocgydF4y2Ba
|gydF4y2BastatsetgydF4y2Ba
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该命令。Web浏览器不支持MATLAB命令。金宝appgydF4y2Ba
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