训练中未使用的观察值的分类边距GYdF4y2Ba
返回旨在GYdF4y2Ba分类边距GYdF4y2Ba获得的GYdF4y2BaMGYdF4y2Ba
=kfoldMargin(GYdF4y2BaCVMdlGYdF4y2Ba
)GYdF4y2BaCVMdlGYdF4y2Ba
,这是由线性分类模型组成的交叉验证的纠错输出代码(ECOC)模型。也就是说,对于每一个折叠,GYdF4y2BakfoldMarginGYdF4y2Ba
估计分类边距,了解它在使用所有其他观察时培训它的观察结果。GYdF4y2Ba
MGYdF4y2Ba
包含线性分类模型中每个正规化强度的分类边距GYdF4y2BaCVMdlGYdF4y2Ba
.GYdF4y2Ba
使用一个或多个指定的其他选项GYdF4y2BaMGYdF4y2Ba
=kfoldMargin(GYdF4y2BaCVMdlGYdF4y2Ba
,GYdF4y2Ba名称、值GYdF4y2Ba
)GYdF4y2Ba名称、值GYdF4y2Ba
对论点。例如,指定解码方案或详细级别。GYdF4y2Ba
CVMdlGYdF4y2Ba
—GYdF4y2Ba经交叉验证,ECOC模型由线性分类模型组成GYdF4y2BaClassificationedAdearecoc.GYdF4y2Ba
模型对象GYdF4y2Ba交叉验证,ECOC模型由线性分类模型组成,指定为GYdF4y2BaClassificationedAdearecoc.GYdF4y2Ba
模型对象。您可以创建GYdF4y2BaClassificationedAdearecoc.GYdF4y2Ba
模型使用GYdF4y2BaFitcecoc.GYdF4y2Ba
并通过:GYdF4y2Ba
例如,指定任何一个交叉验证、名称-值对参数,GYdF4y2Ba克罗斯瓦尔GYdF4y2Ba
设置名称值对参数GYdF4y2Ba学习者GYdF4y2Ba
到GYdF4y2Ba'线性'GYdF4y2Ba
或由返回的线性分类模型模板GYdF4y2BaTemplateLinear.GYdF4y2Ba
为了获得估计,kfoldmargin适用于用于交叉验证ECOC模型的相同数据(GYdF4y2BaXGYdF4y2Ba
和GYdF4y2BaYGYdF4y2Ba
).GYdF4y2Ba
指定可选的逗号分隔的字符对GYdF4y2Ba名称、值GYdF4y2Ba
参数。GYdF4y2Ba姓名GYdF4y2Ba
是参数名和GYdF4y2Ba价值GYdF4y2Ba
是相应的价值。GYdF4y2Ba姓名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
“BinaryLoss”GYdF4y2Ba
—GYdF4y2Ba二元学习者损失函数GYdF4y2Ba“哈明”GYdF4y2Ba
|GYdF4y2Ba'线性'GYdF4y2Ba
|GYdF4y2Ba“罗吉特”GYdF4y2Ba
|GYdF4y2Ba“指数”GYdF4y2Ba
|GYdF4y2Ba“偏差”GYdF4y2Ba
|GYdF4y2Ba'合页'GYdF4y2Ba
|GYdF4y2Ba“二次”GYdF4y2Ba
|GYdF4y2Ba函数句柄GYdF4y2Ba二元学习器损失函数,指定为逗号分隔对,由GYdF4y2Ba“BinaryLoss”GYdF4y2Ba
以及一个内置的丢失函数名或函数句柄。GYdF4y2Ba
此表包含内置函数的名称和描述,其中GYdF4y2BaYGYdF4y2BaJGYdF4y2Ba是特定二进制学习器的类标签(在集合{-1,1,0}中),GYdF4y2BasGYdF4y2BaJGYdF4y2Ba分数是否供观察GYdF4y2BaJGYdF4y2Ba, 和GYdF4y2BaGGYdF4y2Ba(GYdF4y2BaYGYdF4y2BaJGYdF4y2Ba,GYdF4y2BasGYdF4y2BaJGYdF4y2Ba)为二进制损耗公式。GYdF4y2Ba
价值GYdF4y2Ba | 描述GYdF4y2Ba | 得分领域GYdF4y2Ba | GGYdF4y2Ba(GYdF4y2BaYGYdF4y2BaJGYdF4y2Ba,GYdF4y2BasGYdF4y2BaJGYdF4y2Ba)GYdF4y2Ba |
---|---|---|---|
“偏差”GYdF4y2Ba |
二项式偏差GYdF4y2Ba | (–∞,∞)GYdF4y2Ba | 日志[1 + exp(-2GYdF4y2BaYGYdF4y2BaJGYdF4y2BasGYdF4y2BaJGYdF4y2Ba)] / [2log(2)]GYdF4y2Ba |
“指数”GYdF4y2Ba |
指数GYdF4y2Ba | (–∞,∞)GYdF4y2Ba | exp( -GYdF4y2BaYGYdF4y2BaJGYdF4y2BasGYdF4y2BaJGYdF4y2Ba) / 2GYdF4y2Ba |
“哈明”GYdF4y2Ba |
哈明GYdF4y2Ba | [0,1]或( - ∞,∞)GYdF4y2Ba | [1–签名(GYdF4y2BaYGYdF4y2BaJGYdF4y2BasGYdF4y2BaJGYdF4y2Ba)] / 2GYdF4y2Ba |
'合页'GYdF4y2Ba |
铰链GYdF4y2Ba | (–∞,∞)GYdF4y2Ba | max(0,1 -GYdF4y2BaYGYdF4y2BaJGYdF4y2BasGYdF4y2BaJGYdF4y2Ba) / 2GYdF4y2Ba |
'线性'GYdF4y2Ba |
线性的GYdF4y2Ba | (–∞,∞)GYdF4y2Ba | (1 -GYdF4y2BaYGYdF4y2BaJGYdF4y2BasGYdF4y2BaJGYdF4y2Ba) / 2GYdF4y2Ba |
“罗吉特”GYdF4y2Ba |
物流GYdF4y2Ba | (–∞,∞)GYdF4y2Ba | 日志[1 + exp( -GYdF4y2BaYGYdF4y2BaJGYdF4y2BasGYdF4y2BaJGYdF4y2Ba)] / [2log(2)]GYdF4y2Ba |
“二次”GYdF4y2Ba |
二次的GYdF4y2Ba | [0,1]GYdF4y2Ba | [1 -GYdF4y2BaYGYdF4y2BaJGYdF4y2Ba(2GYdF4y2BasGYdF4y2BaJGYdF4y2Ba- 1))GYdF4y2Ba2.GYdF4y2Ba/ 2.GYdF4y2Ba |
该软件规范化二进制损耗,使得损耗为0.5GYdF4y2BaYGYdF4y2BaJGYdF4y2Ba= 0。此外,软件计算每个类的平均二进制损失。GYdF4y2Ba
对于自定义二进制损耗函数,例如,GYdF4y2Ba自定义函数GYdF4y2Ba
,指定其功能句柄GYdF4y2BaBinaryLoss, @customFunctionGYdF4y2Ba
.GYdF4y2Ba
自定义函数GYdF4y2Ba
你应该有这个表格GYdF4y2Ba
bLoss=自定义函数(M,s)GYdF4y2Ba
MGYdF4y2Ba
是个GYdF4y2BaKGYdF4y2Ba——- - - - - -GYdF4y2BaLGYdF4y2Ba存储在GYdF4y2Ba编码矩阵GYdF4y2Ba
.GYdF4y2Ba
sGYdF4y2Ba
是1-by-GYdF4y2BaLGYdF4y2Ba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
KGYdF4y2Ba是班级的数量。GYdF4y2Ba
LGYdF4y2Ba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失函数预测ECOC模型的测试样本标签GYdF4y2Ba.GYdF4y2Ba
默认情况下,如果所有二进制学习者都是线性分类模型,使用:GYdF4y2Ba
然后,SVMGYdF4y2Ba双星GYdF4y2Ba
是GYdF4y2Ba'合页'GYdF4y2Ba
逻辑回归,然后GYdF4y2Ba双星GYdF4y2Ba
是GYdF4y2Ba“二次”GYdF4y2Ba
例子:GYdF4y2Ba“二进制丢失”,“二进制偏差”GYdF4y2Ba
数据类型:GYdF4y2Ba字符GYdF4y2Ba
|GYdF4y2Ba字符串GYdF4y2Ba
|GYdF4y2Ba功能手柄GYdF4y2Ba
“解码”GYdF4y2Ba
—GYdF4y2Ba解码方案GYdF4y2Ba“迷失方向”GYdF4y2Ba
(默认)|GYdF4y2Ba“lossbased”GYdF4y2Ba
聚合二进制损失的解码方案,指定为逗号分隔对,由GYdF4y2Ba“解码”GYdF4y2Ba
和GYdF4y2Ba“迷失方向”GYdF4y2Ba
或者GYdF4y2Ba“lossbased”GYdF4y2Ba
.有关更多信息,请参阅GYdF4y2Ba二进制损失GYdF4y2Ba.GYdF4y2Ba
例子:GYdF4y2Ba'解码','丢失'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
指定GYdF4y2Ba“选项”,statset (UseParallel,真的)GYdF4y2Ba
.GYdF4y2Ba
“详细”GYdF4y2Ba
—GYdF4y2Ba冗长水平GYdF4y2Ba0GYdF4y2Ba
(默认)|GYdF4y2Ba1.GYdF4y2Ba
详细程度,指定为逗号分隔对,由GYdF4y2Ba“详细”GYdF4y2Ba
和GYdF4y2Ba0GYdF4y2Ba
或者GYdF4y2Ba1.GYdF4y2Ba
.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GYdF4y2Ba0GYdF4y2Ba
,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'verbose',1GYdF4y2Ba
数据类型:GYdF4y2Ba单身的GYdF4y2Ba
|GYdF4y2Ba双GYdF4y2Ba
MGYdF4y2Ba
-交叉验证分类边距GYdF4y2Ba旨在GYdF4y2Ba分类边距GYdF4y2Ba,作为数字向量或矩阵返回。GYdF4y2Ba
MGYdF4y2Ba
是GYdF4y2BaNGYdF4y2Ba——- - - - - -GYdF4y2BaLGYdF4y2Ba,在那里GYdF4y2BaNGYdF4y2Ba是中的观察数GYdF4y2BaXGYdF4y2Ba
和GYdF4y2BaLGYdF4y2Ba正规化强度的数量在吗GYdF4y2BaMDL.GYdF4y2Ba
(即,GYdF4y2Ba努梅尔(Mdl.Lambda)GYdF4y2Ba
).GYdF4y2Ba
M(GYdF4y2Ba
是交叉验证的分类裕度的观察GYdF4y2Ba我GYdF4y2Ba使用由线性分类模型组成的ECOC型号,具有正则化强度GYdF4y2Ba我GYdF4y2Ba
,GYdF4y2BaJGYdF4y2Ba
)GYdF4y2Ba兰姆达(GYdF4y2Ba
.GYdF4y2BaJGYdF4y2Ba
)GYdF4y2Ba
加载NLP数据集。GYdF4y2Ba
负载GYdF4y2BanlpdataGYdF4y2Ba
XGYdF4y2Ba
是预测数据的稀疏矩阵,和GYdF4y2BaYGYdF4y2Ba
是类标签的分类矢量。GYdF4y2Ba
为简单起见,请对中的所有观察使用“其他”标签GYdF4y2BaYGYdF4y2Ba
那不是GYdF4y2Ba'金宝appsimulink'GYdF4y2Ba
,GYdF4y2Ba'DSP'GYdF4y2Ba
, 或者GYdF4y2Ba“通讯”GYdF4y2Ba
.GYdF4y2Ba
y(〜(ismember(y,{GYdF4y2Ba'金宝appsimulink'GYdF4y2Ba,GYdF4y2Ba'DSP'GYdF4y2Ba,GYdF4y2Ba“通讯”GYdF4y2Ba}))) =GYdF4y2Ba'其他'GYdF4y2Ba;GYdF4y2Ba
交叉验证多类线性分类模型。GYdF4y2Ba
rng (1);GYdF4y2Ba%的再现性GYdF4y2Bacvmdl = fitcecoc(x,y,GYdF4y2Ba'学习者'GYdF4y2Ba,GYdF4y2Ba'线性'GYdF4y2Ba,GYdF4y2Ba“克罗斯瓦尔”GYdF4y2Ba,GYdF4y2Ba“开”GYdF4y2Ba);GYdF4y2Ba
CVMdlGYdF4y2Ba
是一个GYdF4y2BaClassificationedAdearecoc.GYdF4y2Ba
模型。默认情况下,该软件实现10倍交叉验证。属性可以改变折叠的数量GYdF4y2Ba“KFold”GYdF4y2Ba
名称-值对参数。GYdF4y2Ba
估计GYdF4y2BaKGYdF4y2Ba-折叠边缘。GYdF4y2Ba
m = kfoldmargin(cvmdl);尺寸(m)GYdF4y2Ba
ans=GYdF4y2Ba1×2GYdF4y2Ba31572 1GYdF4y2Ba
MGYdF4y2Ba
是一个31572×1的向量。GYdF4y2Ba米(j)GYdF4y2Ba
是折叠式边缘的平均值进行观察GYdF4y2BaJGYdF4y2Ba
.GYdF4y2Ba
画出GYdF4y2BaKGYdF4y2Ba- 使用箱图的边距。GYdF4y2Ba
图形箱线图(m);h=gca;h、 YLim=[-5];头衔(GYdF4y2Ba“交叉验证的利润分配”GYdF4y2Ba)GYdF4y2Ba
执行特征选择的一种方法是比较GYdF4y2BaKGYdF4y2Ba-从多个模型折算利润。单从这个标准来看,边缘越大的分类器越好。GYdF4y2Ba
加载NLP数据集。预处理数据,如GYdF4y2Ba估计k倍交叉验证裕度GYdF4y2Ba,并对预测器数据进行定位,使观察结果与列相对应。GYdF4y2Ba
负载GYdF4y2BanlpdataGYdF4y2Bay(〜(ismember(y,{GYdF4y2Ba'金宝appsimulink'GYdF4y2Ba,GYdF4y2Ba'DSP'GYdF4y2Ba,GYdF4y2Ba“通讯”GYdF4y2Ba}))) =GYdF4y2Ba'其他'GYdF4y2Ba; X=X′;GYdF4y2Ba
创建以下两个数据集:GYdF4y2Ba
ullx.GYdF4y2Ba
包含所有预测。GYdF4y2Ba
partXGYdF4y2Ba
包含随机选择的1/2的预测器。GYdF4y2Ba
rng (1);GYdF4y2Ba%的再现性GYdF4y2Bap =大小(X, 1);GYdF4y2Ba%预测数GYdF4y2BahalfPredIdx=randsample(p,ceil(0.5*p));fullX=X;partX=X(half-predidx,:);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'求解'GYdF4y2Ba,GYdF4y2Ba“斯巴萨”GYdF4y2Ba);GYdF4y2Ba
交叉验证由二元线性分类模型组成的两个ECOC模型:一个使用所有预测器,另一个使用一半预测器。表示观察结果对应于列。GYdF4y2Ba
cvmdl = fitcecoc(fullx,y,GYdF4y2Ba“学习者”GYdF4y2BatGYdF4y2Ba“克罗斯瓦尔”GYdF4y2Ba,GYdF4y2Ba“开”GYdF4y2Ba,GYdF4y2Ba......GYdF4y2Ba“ObservationsIn”GYdF4y2Ba,GYdF4y2Ba“专栏”GYdF4y2Ba);PCVMdl = fitcecoc (partX YGYdF4y2Ba“学习者”GYdF4y2BatGYdF4y2Ba“克罗斯瓦尔”GYdF4y2Ba,GYdF4y2Ba“开”GYdF4y2Ba,GYdF4y2Ba......GYdF4y2Ba“ObservationsIn”GYdF4y2Ba,GYdF4y2Ba“专栏”GYdF4y2Ba);GYdF4y2Ba
CVMdlGYdF4y2Ba
和GYdF4y2BaPCVMDL.GYdF4y2Ba
是GYdF4y2BaClassificationedAdearecoc.GYdF4y2Ba
楷模。GYdF4y2Ba
估计GYdF4y2BaKGYdF4y2Ba-每个分类器的折叠边距。画出它的分布GYdF4y2BaKGYdF4y2Ba-使用方框图折叠边距集。GYdF4y2Ba
全页边距=kfoldMargin(CVMdl);partMargins=kfoldMargin(PCVMdl);图形箱线图([fullMargins partMargins],GYdF4y2Ba“标签”GYdF4y2Ba,GYdF4y2Ba......GYdF4y2Ba{GYdF4y2Ba'所有预测因素'GYdF4y2Ba,GYdF4y2Ba“一半预测因素”GYdF4y2Ba});H = GCA;H.YLIM = [-1 1];标题(GYdF4y2Ba“交叉验证的利润分配”GYdF4y2Ba)GYdF4y2Ba
分布的GYdF4y2BaKGYdF4y2Ba-fold margin的两个分类器是相似的。GYdF4y2Ba
为了确定一个良好的套索惩罚强度的线性分类模型,使用逻辑回归学习者,比较分布GYdF4y2BaKGYdF4y2Ba-折叠边缘。GYdF4y2Ba
加载NLP数据集。预处理数据,如GYdF4y2Ba使用k折边距的功能选择GYdF4y2Ba.GYdF4y2Ba
负载GYdF4y2BanlpdataGYdF4y2Bay(〜(ismember(y,{GYdF4y2Ba'金宝appsimulink'GYdF4y2Ba,GYdF4y2Ba'DSP'GYdF4y2Ba,GYdF4y2Ba“通讯”GYdF4y2Ba}))) =GYdF4y2Ba'其他'GYdF4y2Ba; X=X′;GYdF4y2Ba
创建一组11个对数间隔的正则化强度GYdF4y2Ba 通过GYdF4y2Ba .GYdF4y2Ba
λ=对数空间(-8,1,11);GYdF4y2Ba
创建一个线性分类模型模板,该模板指定使用带套索惩罚的逻辑回归,使用每个正则化强度,使用SpaRSA优化目标函数,并将目标函数梯度上的公差降低到最小GYdF4y2Ba1 e-8GYdF4y2Ba
.GYdF4y2Ba
t = templateLinear (GYdF4y2Ba'学习者'GYdF4y2Ba,GYdF4y2Ba“物流”GYdF4y2Ba,GYdF4y2Ba'求解'GYdF4y2Ba,GYdF4y2Ba“斯巴萨”GYdF4y2Ba,GYdF4y2Ba......GYdF4y2Ba“正规化”GYdF4y2Ba,GYdF4y2Ba'套索'GYdF4y2Ba,GYdF4y2Ba“拉姆达”GYdF4y2Ba,lambda,GYdF4y2Ba“GradientTolerance”GYdF4y2Ba1 e-8);GYdF4y2Ba
交叉验证一个由二元、线性分类模型组成的ECOC模型,使用5倍交叉验证GYdF4y2Ba
rng (10);GYdF4y2Ba%的再现性GYdF4y2Bacvmdl = fitcecoc(x,y,GYdF4y2Ba“学习者”GYdF4y2BatGYdF4y2Ba“ObservationsIn”GYdF4y2Ba,GYdF4y2Ba“专栏”GYdF4y2Ba,GYdF4y2Ba“KFold”GYdF4y2Ba5)GYdF4y2Ba
CVMdl=ClassificationPartitionedLinearECOC CrossValidatedModel:'LinearECOC'ResponseName:'Y'NumObservations:31572 KFold:5分区:[1x1 cvpartition]类名:[comm dsp simulink others]ScoreTransf金宝apporm:'none'属性、方法GYdF4y2Ba
CVMdlGYdF4y2Ba
是一个GYdF4y2BaClassificationedAdearecoc.GYdF4y2Ba
模型。GYdF4y2Ba
估计GYdF4y2BaKGYdF4y2Ba-每个正则化强度的折叠边距。Logistic回归的分数在[0,1]中。应用二次二进制损失。GYdF4y2Ba
m = kfoldMargin (CVMdlGYdF4y2Ba“BinaryLoss”GYdF4y2Ba,GYdF4y2Ba“二次”GYdF4y2Ba);尺寸(m)GYdF4y2Ba
ans=GYdF4y2Ba1×2GYdF4y2Ba31572 11GYdF4y2Ba
MGYdF4y2Ba
是每次观察的31572×11的交叉验证边缘矩阵。列对应于正则化强度。GYdF4y2Ba
画出GYdF4y2BaKGYdF4y2Ba-每个正则化强度的折叠边距。GYdF4y2Ba
数字;Boxplot(m)ylabel(GYdF4y2Ba“交叉验证的利润”GYdF4y2Ba)Xlabel(GYdF4y2Ba'lambda indices'GYdF4y2Ba)GYdF4y2Ba
数的值GYdF4y2Ba兰姆达GYdF4y2Ba
收益率同样高,分布中心低价差。更高的值GYdF4y2Ba兰姆达GYdF4y2Ba
导致预测变量稀疏,这是一个良好的分类器质量。GYdF4y2Ba
选择刚好在保证金配送中心开始减少和价差开始增加之前发生的正则化强度。GYdF4y2Ba
Lambdafinal = lambda(5);GYdF4y2Ba
利用整个数据集训练由线性分类模型组成的ECOC模型,并指定正则化强度GYdF4y2Balambdafinal.GYdF4y2Ba
.GYdF4y2Ba
t = templateLinear (GYdF4y2Ba'学习者'GYdF4y2Ba,GYdF4y2Ba“物流”GYdF4y2Ba,GYdF4y2Ba'求解'GYdF4y2Ba,GYdF4y2Ba“斯巴萨”GYdF4y2Ba,GYdF4y2Ba......GYdF4y2Ba“正规化”GYdF4y2Ba,GYdF4y2Ba'套索'GYdF4y2Ba,GYdF4y2Ba“拉姆达”GYdF4y2Ba,lambda(5),GYdF4y2Ba“GradientTolerance”GYdF4y2Ba,1e-8);MdlFinal=FITCECOCC(X,Y,GYdF4y2Ba“学习者”GYdF4y2BatGYdF4y2Ba“ObservationsIn”GYdF4y2Ba,GYdF4y2Ba“专栏”GYdF4y2Ba);GYdF4y2Ba
估算新观察的标签,通过GYdF4y2Bamdlfinal.GYdF4y2Ba
和新数据到GYdF4y2Ba预测GYdF4y2Ba
.GYdF4y2Ba
A.GYdF4y2Ba二进制损失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(GYdF4y2BaKGYdF4y2Ba,GYdF4y2BaJGYdF4y2Ba)编码设计矩阵的构造GYdF4y2BaMGYdF4y2Ba(即,对应于类的代码GYdF4y2BaKGYdF4y2Ba二进制的学习者GYdF4y2BaJGYdF4y2Ba).GYdF4y2Ba
sGYdF4y2BaJGYdF4y2Ba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
是用于观察的预测类。GYdF4y2Ba
在GYdF4y2Ba基于损耗的译码GYdF4y2Ba[escalera等。]GYdF4y2Ba,在二元学习器上产生二元损失最小和的类决定了观察的预测类,即,GYdF4y2Ba
在GYdF4y2Ba损失加权解码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建议丢失加权解码通过在相同动态范围内保持所有类的损耗值来提高分类准确性。GYdF4y2Ba
此表总结了支持的损耗功能,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),GYdF4y2BasGYdF4y2BaJGYdF4y2Ba分数是否供观察GYdF4y2BaJGYdF4y2Ba, 和GYdF4y2BaGGYdF4y2Ba(GYdF4y2BaYGYdF4y2BaJGYdF4y2Ba,GYdF4y2BasGYdF4y2BaJGYdF4y2Ba).GYdF4y2Ba
价值GYdF4y2Ba | 描述GYdF4y2Ba | 得分领域GYdF4y2Ba | GGYdF4y2Ba(GYdF4y2BaYGYdF4y2BaJGYdF4y2Ba,GYdF4y2BasGYdF4y2BaJGYdF4y2Ba)GYdF4y2Ba |
---|---|---|---|
“偏差”GYdF4y2Ba |
二项式偏差GYdF4y2Ba | (–∞,∞)GYdF4y2Ba | 日志[1 + exp(-2GYdF4y2BaYGYdF4y2BaJGYdF4y2BasGYdF4y2BaJGYdF4y2Ba)] / [2log(2)]GYdF4y2Ba |
“指数”GYdF4y2Ba |
指数GYdF4y2Ba | (–∞,∞)GYdF4y2Ba | exp( -GYdF4y2BaYGYdF4y2BaJGYdF4y2BasGYdF4y2BaJGYdF4y2Ba) / 2GYdF4y2Ba |
“哈明”GYdF4y2Ba |
哈明GYdF4y2Ba | [0,1]或( - ∞,∞)GYdF4y2Ba | [1–签名(GYdF4y2BaYGYdF4y2BaJGYdF4y2BasGYdF4y2BaJGYdF4y2Ba)] / 2GYdF4y2Ba |
'合页'GYdF4y2Ba |
铰链GYdF4y2Ba | (–∞,∞)GYdF4y2Ba | max(0,1 -GYdF4y2BaYGYdF4y2BaJGYdF4y2BasGYdF4y2BaJGYdF4y2Ba) / 2GYdF4y2Ba |
'线性'GYdF4y2Ba |
线性的GYdF4y2Ba | (–∞,∞)GYdF4y2Ba | (1 -GYdF4y2BaYGYdF4y2BaJGYdF4y2BasGYdF4y2BaJGYdF4y2Ba) / 2GYdF4y2Ba |
“罗吉特”GYdF4y2Ba |
物流GYdF4y2Ba | (–∞,∞)GYdF4y2Ba | 日志[1 + exp( -GYdF4y2BaYGYdF4y2BaJGYdF4y2BasGYdF4y2BaJGYdF4y2Ba)] / [2log(2)]GYdF4y2Ba |
“二次”GYdF4y2Ba |
二次的GYdF4y2Ba | [0,1]GYdF4y2Ba | [1 -GYdF4y2BaYGYdF4y2BaJGYdF4y2Ba(2GYdF4y2BasGYdF4y2BaJGYdF4y2Ba- 1))GYdF4y2Ba2.GYdF4y2Ba/ 2.GYdF4y2Ba |
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进行聚合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'lockfun'GYdF4y2Ba
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
这个GYdF4y2Ba分类保证金GYdF4y2Ba对于每个观察,对于真正类别的负损失和虚假类之间的最大负损失之间的差异。如果利润率在相同的范围内,则它们作为分类信心措施。在多个分类器中,产生更大的边缘的分类器更好。GYdF4y2Ba
[1] 奥尔温,E.,R。夏皮雷和Y。歌手。“将多类减少为二进制:保证金分类的统一方法。”GYdF4y2Ba机器学习研究杂志GYdF4y2Ba.卷。1,2000,pp。113-141。GYdF4y2Ba
[2] Escalera,S.,O. pujol和P. Radeva。“在三元纠错输出代码中解码过程。”GYdF4y2Ba关于模式分析和机器智能的IEEE交易GYdF4y2Ba.2010年第32卷第7期120-134页。GYdF4y2Ba
[3] Escalera,S.,O. Pujol和P. Radeva。“用于纠错输出代码稀疏设计的三元代码的可分离。”GYdF4y2Ba图案识别GYdF4y2Ba.2009年第30卷第3期285-297页。GYdF4y2Ba
要并行运行,请指定GYdF4y2Ba“选项”GYdF4y2Ba
命名此函数调用中的值参数,并设置GYdF4y2Ba“使用并行”GYdF4y2Ba
选项结构的领域GYdF4y2Ba真的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
分类线性GYdF4y2Ba
|GYdF4y2BaClassificationedAdearecoc.GYdF4y2Ba
|GYdF4y2BakfoldEdgeGYdF4y2Ba
|GYdF4y2BakfoldPredictGYdF4y2Ba
|GYdF4y2Ba利润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,以便在可用的地方进行翻译的内容,并查看本地活动和优惠。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
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家/地区网站未针对您所在地的访问进行优化。GYdF4y2Ba