分类VM

金宝app支持向量机(SVM)用于一类和二值分类

全部展开页面

描述

分类VM是一个金宝app支持向量机分类器用于一班和两班学习。经过培训分类VM分类器存储训练数据、参数值、先验概率、支持向量和算法实现信息。使用这些分类器执行任务，例如将分数拟合到后验概率变换函数（参见金宝appfitPosterior)和预测新数据的标签(见预测)．

创造

创建一个分类VM通过使用fitcsvm．

属性

全部展开

支持向量机特性

`阿尔法`-训练分类器系数
数值向量

此属性是只读的。

训练的分类器系数，指定为S.-乘以1的数值向量。S.是培训分类器中的支持向量的数量，金宝app总和(Mdl.IsS金宝appupportVector)．

阿尔法包含对偶问题中经过训练的分类器系数，即估计的拉格朗日乘数。如果使用RemoveDuplicates的名称-值对参数fitcsvm然后，对于一种支持向量的给定的一组重复观察，金宝app阿尔法包含一个对应于整个集合的系数。也就是说，MATLAB^®将非零系数赋给从一组重复数据中得到的一个观测值，并将系数赋给0.集合中的所有其他重复观测。

数据类型：单|双重的

`β`-线性预测系数
数值向量

此属性是只读的。

线性预测系数，指定为数值向量。的长度β等于用于训练模型的预测器数量。

MATLAB利用全哑编码扩展预测数据中的分类变量。即MATLAB为每个类别变量的每一层创建一个虚拟变量。β为每个预测变量(包括虚拟变量)存储一个值。例如，如果有三个预测因子，其中一个是有三个层次的分类变量，那么β是包含五个值的数字向量。

如果核参数函数是“线性”，然后分类评分进行观察X是

$F （ X ） = （ X / S. ）' β + B. ．$

Mdl商店β那B.,S.在属性β那偏见,核参数。比例分别地

要手动估计分类分数，必须首先对培训期间应用的预测值数据应用任何转换。具体来说，如果您指定“标准化”，没错当使用fitcsvm，则必须使用平均值手动标准化预测数据Mdl。μ和标准差mdl.sigma.，然后将结果除以内核规模mdl.kernelparameters.scale.．

所有SVM功能，如重新预订和预测，在估计之前应用任何所需的转换。

如果核参数函数不是“线性”,然后β是空的（[])．

数据类型：单|双重的

`偏见`-偏差项
标量

此属性是只读的。

BIAS项，指定为标量。

数据类型：单|双重的

`箱约束`-框约束
数值向量

此属性是只读的。

方框约束，指定为的数字向量N-by-1箱约束．N是训练数据中的观察次数（参见numobservations.属性)。

如果您使用RemoveDuplicates的名称-值对参数fitcsvm，然后对给定的一组重复观测数据，MATLAB对方框约束进行求和，然后将求和归为一个观测数据。MATLAB的属性框约束0.所有其他的观察结果。

数据类型：单|双重的

`CacheInfo`-缓存信息
结构数组

此属性是只读的。

缓存信息，指定为结构阵列。缓存信息包含此表中描述的字段。

场	描述
大小	软件用于训练SVM分类器的缓存大小(以MB为单位)。有关详细信息,请参见`“CacheSize”`．
算法	软件在优化过程中使用的缓存算法。目前，唯一可用的缓存算法是`队列`．无法设置缓存算法。

显示的字段CacheInfo通过使用点表示法。例如，Mdl.CacheInfo.Size显示缓存大小的值。

数据类型：塑造

`Is金宝appSupportVector`-金宝app支持向量指标
逻辑向量

此属性是只读的。

金宝app支持向量指示符，指定为N-by-1逻辑向量，标记预测器数据矩阵中相应的观测值是否为a金宝app支持向量机．N是训练数据中的观察数(见numobservations.)．

如果您使用RemoveDuplicates的名称-值对参数fitcsvm然后，对于一种支持向量的给定的一组重复观察，金宝appIs金宝appSupportVector仅标记一个观测值作为支持向量。金宝app

数据类型：逻辑

`内核参数`-核参数
结构数组

此属性是只读的。

内核参数，指定为结构数组。内核参数属性包含该表中列出的字段。

场	描述
函数	用于计算格拉姆矩阵. 有关详细信息，请参阅`“KernelFunction”`．
规模	核比例参数，用于缩放模型训练所依据的预测数据的所有元素。有关详细信息，请参阅`“内核尺度”`．

的值内核参数，使用点表示法。例如mdl.kernelparameters.scale.显示内核比例参数值。

软件接受内核参数作为输入，而不修改它们。

数据类型：塑造

`ν`-看到下面成了学习参数
正标量

此属性是只读的。

看到下面成了一个学习参数ν，指定为正标量。

数据类型：单|双重的

`OutlierFraction`-异常值的比例
数值标量

此属性是只读的。

训练数据中异常值的比例，指定为数值标量。

数据类型：双重的

`解算器`-优化程序
`'ISDA'`|`“L1QP”`|`'smo'`

此属性是只读的。

用于训练SVM分类器的优化例程，指定为'ISDA'那“L1QP”,或'smo'．有关详细信息，请参见“规划求解”．

`金宝appSupportVectorLabels`-金宝app支持向量类标签
S.-1号数字矢量

此属性是只读的。

金宝app支持向量类标签，指定为S.-乘以1的数值向量。S.是培训分类器中的支持向量的数量，金宝app总和(Mdl.IsS金宝appupportVector)．

价值＋１在金宝appSupportVectorLabels表示对应的支持向量属于正类(金宝app一会{2})．价值–1表示对应的支持向量属于负类(金宝app一会{1})．

如果您使用RemoveDuplicates的名称-值对参数fitcsvm然后，对于一种支持向量的给定的一组重复观察，金宝app金宝appSupportVectorLabels包含一个唯一的支持向量标签。金宝app

数据类型：单|双重的

`金宝appSupportVectors`-金宝app支持向量
S.-借-P.数字矩阵

此属性是只读的。

金宝app训练分类器中的支持向量，指定为S.-借-P.数字矩阵。S.是培训分类器中的支持向量的数量，金宝app总和(Mdl.IsS金宝appupportVector),P.是预测器数据中的预测器变量的数量。

金宝appSupportVectors包含预测数据行XMATLAB认为是支持向量。金宝app如果您指定“标准化”，没错在训练SVM分类器时使用fitcsvm,然后金宝appSupportVectors的标准化行X．

如果您使用RemoveDuplicates的名称-值对参数fitcsvm然后，对于一种支持向量的给定的一组重复观察，金宝app金宝appSupportVectors包含一个独特的支持向量。金宝app

数据类型：单|双重的

其他分类属性

`分类预测因子`-分类预测指标
正整数向量|`[]`

此属性是只读的。

分类预测指标，指定为一个正整数向量。分类预测因子包含与包含分类预测器的预测器数据列对应的索引值。如果没有任何预测器是绝对的，则此属性为空([])．

数据类型：双重的

`Classnames.`-独特的类标签
分类阵列|字符数组|逻辑向量|数值向量|字符向量单元数组

此属性是只读的。

训练中使用的唯一类标签，指定为类别或字符数组、逻辑或数字向量或字符向量的单元数组。Classnames.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阵列。）Classnames.也决定了类的顺序。

数据类型：单|双重的|逻辑|烧焦|细胞|分类

`费用`-误分类成本
数字方阵

此属性是只读的。

误分类代价，用数值方阵表示，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一世．

在培训期间，软件通过合并成本矩阵中描述的惩罚来更新先前的概率。

对于两班学习，费用总是有这个形式：成本(i, j) = 1如果i~=j,成本(i, j) = 0如果我=我. 行对应于真实类，列对应于预测类。的行和列的顺序费用中类的顺序Classnames.．
看到下面成了学习,成本= 0.．

有关详细信息，请参见算法．

数据类型：双重的

`ExpandedPredictorNames`-扩大了预测的名字
字符向量单元数组

此属性是只读的。

扩展的预测器名称，指定为字符向量的单元格数组。

如果模型对分类变量采用哑变量编码，则ExpandedPredictorNames包括描述展开变量的名称。否则ExpandedPredictorNames是相同的PredictorNames．

数据类型：细胞

`梯度`-培训数据梯度值
数值向量

此属性是只读的。

训练数据梯度值，指定为数值向量。长度梯度等于观察数（numobservations.)．

数据类型：单|双重的

`ModelParameters`-用于训练模型的参数
目的

此属性是只读的。

用于训练的参数分类VM模型，指定为对象。ModelParameters包含参数值，例如用于训练SVM分类器的名称-值对参数值。ModelParameters不包含估计参数。

访问属性ModelParameters通过使用点表示法。例如，访问初始值以进行估算阿尔法通过使用Mdl.ModelParameters.Alpha．

`μ`-预测方法
数值向量|`[]`

此属性是只读的。

预测器表示，指定为数值向量。如果您指定“标准化”，1或“标准化”，没错使用时使用SVM分类器时fitcsvm，然后是长度μ等于预测器的数量。

MATLAB利用全哑编码扩展预测数据中的分类变量。即MATLAB为每个类别变量的每一层创建一个虚拟变量。μ为每个预测变量（包括虚拟变量）存储一个值。但是，MATLAB没有标准化包含分类变量的列。

如果你设置“标准化”，错当您使用fitcsvm,然后μ为空向量([])．

数据类型：单|双重的

`numobservations.`-观察次数
数值标量

此属性是只读的。

存储在中的训练数据中的观察数X和y，指定为数值标量。

数据类型：双重的

`PredictorNames`-预测器变量名
字符向量单元数组

此属性是只读的。

预测器变量名，指定为字符向量的单元格数组。元素的顺序PredictorNames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

`之前`-事前机率
数值向量

此属性是只读的。

每个类的先验概率，指定为数字向量。元素的顺序之前对应于Mdl。ClassNames．

对于两类学习，如果你指定一个成本矩阵，软件就会通过合并成本矩阵中描述的惩罚来更新先验概率。

有关详细信息，请参见算法．

数据类型：单|双重的

`ractraceame.`-响应变量名
特征向量

此属性是只读的。

响应变量名称，指定为字符向量。

数据类型：烧焦

`RowsUsed`-装配中使用的行
`[]`|逻辑向量

此属性是只读的。

用于拟合的原始训练数据行分类VM模型，指定为逻辑向量。如果使用所有行，则此属性为空。

数据类型：逻辑

`ScoreTransform`-分数转换
特征向量|功能手柄

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变换函数或功能手柄。

更改分数转换功能函数，例如，使用点符号。

对于内置函数，请输入字符向量。

Mdl。ScoreTransform = '函数'；

该表描述了可用的内置函数。

价值	描述
`“doublelogit”`	1 / (1 +E.^–2X）
`“因弗罗吉特”`	日志(X/ (1 -X））
`“ismax”`	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0
`'logit'`	1 / (1 +E.^-X）
`'没有任何'`或`“身份”`	X(转换)
`“标志”`	1X< 0 为0X= 0. 1为X> 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MATLAB函数或您定义的函数，输入其函数句柄。
```
Mdl。ScoreTransform = @函数;
```
函数必须接受一个矩阵(原始分数)并返回一个相同大小的矩阵(转换分数)。

数据类型：烧焦|function_handle.

`σ`-预测标准差
`[]`(默认)|数值向量

此属性是只读的。

预测器标准偏差，指定为数字向量。

如果您指定“标准化”，没错当您使用fitcsvm，然后是长度σ等于预测变量的个数。

MATLAB利用全哑编码扩展预测数据中的分类变量。即MATLAB为每个类别变量的每一层创建一个虚拟变量。σ为每个预测变量（包括虚拟变量）存储一个值。但是，MATLAB没有标准化包含分类变量的列。

如果你设置“标准化”，错当您使用fitcsvm,然后σ为空向量([])．

数据类型：单|双重的

`W.`-观察权重
数值向量

此属性是只读的。

用于训练SVM分类器的观测权重，指定为N-乘以1的数值向量。N是观察次数(见numobservations.)．

fitcsvm将观测权归一化“重量”名称-值对参数，以便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|双重的

`X`-Unstandardized预测
数字矩阵|表格

此属性是只读的。

用于训练SVM分类器的非标准化预测器，指定为一个数字矩阵或表。

每一行的X对应一个观察值，每列对应一个变量。

MATLAB排除至少包含一个缺失值的观测值，并从中删除相应的元素y．

数据类型：单|双重的

`y`-类标签
分类阵列|字符数组|逻辑向量|数值向量|字符向量单元数组

此属性是只读的。

用于培训SVM分类器的类标签，指定为分类或字符阵列，逻辑或数字矢量或字符向量的单元格数组。y是否与输入参数相同的数据类型y的fitcsvm．（该软件将字符串数组视为字符向量的单元格阵列。）

每一行的y的对应行所观察到的分类X．

matlab排除包含缺失值的元素，并从中删除相应的观察X．

数据类型：单|双重的|逻辑|烧焦|细胞|分类

收敛控制属性

`ConvergenceInfo`-收敛信息
结构数组

此属性是只读的。

收敛信息，指定为结构数组。

场	描述
`聚合`	表示算法是否收敛的逻辑标志(`1`表示收敛）。
`uparyforconvergence.`	字符向量表示软件用于检测收敛性的准则。
`差距`	对偶目标函数与原目标函数之间的标量可行性差距。
`GapTolerance`	标量可行性间隙公差。设置这个公差，例如为`1)依照`，通过使用名称-值对参数`依照“GapTolerance”,1`的`fitcsvm`．
`DeltaGradient`	上下违例者之间的梯度差
`deltagradienttolerance.`	上下限之间梯度差的标量公差。设置这个公差，例如为`1)依照`，通过使用名称-值对参数`“DeltaGradientTolerance”，1e-2`的`fitcsvm`．
`LargestKKTViolation`	最大标量Karush-Kuhn-Tucker（KKT）冲突值。
`KKTTolerance`	最大KKT违例的标量公差。例如，将这个公差设置为`1 e - 3`，通过使用名称-值对参数`“KKTTolerance”,1 e - 3`的`fitcsvm`．
`历史`	结构阵列包含集合优化迭代的收敛信息。这些字段是： `NumIterations`:软件记录收敛信息的迭代指标的数值向量 `差距`:的数值向量`差距`迭代处的值 `DeltaGradient`:的数值向量`DeltaGradient`迭代处的值 `LargestKKTViolation`:的数值向量`LargestKKTViolation`迭代处的值 `Num金宝appSupportVectors`:数字向量，表示迭代时支持向量的数目金宝app `客观的`:的数值向量`客观的`迭代处的值
`客观的`	双目标函数的标量值。

数据类型：塑造

`NumIterations`-的迭代次数
正整数

此属性是只读的。

优化程序为达到收敛所需要的迭代次数，指定为正整数。

将迭代次数限制设置为1000，例如，指定“IterationLimit”,1000年当您使用fitcsvm．

数据类型：双重的

`ShrinkagePeriod`-活动集约简之间的迭代次数
非负整数

此属性是只读的。

活动集的约简之间的迭代次数，指定为非负整数。

设置收缩周期为1000，例如，指定“ShrinkagePeriod”,1000年当您使用fitcsvm．

数据类型：单|双重的

Hyperparameter优化性能

`HyperParameterOptimationResults.`-超参数交叉验证优化描述
`BayesianOptimization`目的|表格

此属性是只读的。

超参数的交叉验证优化描述，指定为BayesianOptimization对象或超参数和关联值的表。当“OptimizeHyperparameters”的名称-值对参数fitcsvm在创造上是非空的。价值HyperParameterOptimationResults.取决于优化器野外HyperparameterOptimizationOptions的结构fitcsvm在创建时，如本表中所述。

的价值`优化器`场	的价值`HyperParameterOptimationResults.`
`'Bayesopt'`（默认）	类的对象`BayesianOptimization`
`“gridsearch”`或`“随机搜索”`	使用的超参数表，观测到的目标函数值(交叉验证损失)，以及观测值从最低(最好)到最高(最差)的排序

对象的功能

`契约`	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准确性
`横梁`	交叉验证机器学习模型
`discard金宝appSupportVectors`	丢弃线性支持向量金宝app机分类器的支持向量
`边缘`	为支持向量机分类器寻找分类边缘金宝app
`fitPosterior`	支持向量机（SVM）分类器的拟合后验概率金宝app
`incrementalLearner`	将二进制分类支持向量机（SVM）模型转换为增量学习者金宝app
`损失`	寻找支持向量机（SVM）分类器的分类误差金宝app
`保证金`	为支持向量机分类器寻找分类边缘金宝app
`部分竞争`	计算部分依赖
`局部依赖`	创建部分依赖图(PDP)和个人条件期望图(ICE)
`预测`	使用支持向量机（SVM）分类器分类观察金宝app
`重新提交`	Resubstitution分类边缘
`石灰`	局部可解释的模型不可知解释(LIME)
`resubloss.`	Resubstitution分类损失
`resubMargin`	重新取款分类保证金
`重新预订`	使用训练的分类器对训练数据进行分类
`恢复`	恢复培训支持向量机（SVM）分类金宝app器
`福芙`	沙普利值
`testckfold`	通过重复交叉验证比较两种分类模型的准确性

例子

全部折叠

训练支持向量机分类器

打开生活的脚本

载入费雪的虹膜数据集。去掉萼片的长度和宽度以及所有观察到的刚毛鸢尾。

负载fisheriris第1 = ~ strcmp(物种,“塞托萨”）;X =量(第1 3:4);y =物种(第1);

使用已加工的数据集列车SVM分类器。

svmmodel = fitcsvm（x，y）

SVMModel = ClassificationSVM ResponseName:‘Y’CategoricalPredictors:[]类名:{“癣”“virginica”}ScoreTransform:“没有一个”NumObservations: 100α:[24 x1双]偏见:-14.4149 KernelParameters: [1 x1 struct] BoxConstraints: x1双[100]ConvergenceInfo: [1 x1 struct] IsSupportVector: x1逻辑[100]解算器:SMO的属性,方法金宝app

SVMModel是一个培训分类VM分类器。显示的属性SVMModel．例如，要确定类的顺序，可以使用点符号。

classOrder = SVMModel。Classnames.

classOrder =2x1电池{“癣”}{' virginica '}

头等舱(“多色的”)是否定类，而第二个(“维吉尼亚”)是积极类。属性可以在训练期间更改类的顺序“类名”名称值对参数。

绘制数据散点图并圈出支持向量。金宝app

sv = svmmodel.金宝appsupportVectors;图g箭偶（x（：，1），x（:,2），y）保持在绘图（SV（：，1），SV（：，2），“柯”那“MarkerSize”10)传说(“多色的”那“维吉尼亚”那“金宝app支持向量”)举行从

图中包含一个轴。轴包含3个类型为line的对象。这些对象表示versicolor、virginica和支持向量机。金宝app

支持向量金宝app是发生在或超出其估计类边界的观察值。

属性在训练期间设置框约束，可以调整边界(以及支持向量的数量)金宝app“BoxConstraint”名称值对参数。

训练并交叉验证支持向量机分类器

打开生活的脚本

加载电离层数据集。

负载电离层

训练并交叉验证支持向量机分类器。标准化预测器数据并指定类的顺序。

rng (1);%为了再现性CVSVMModel = fitcsvm (X, Y,“标准化”,真的,．..“类名”, {“b”那‘g’}，“CrossVal”那'在'）

CVSVMModel = ClassificationPartitionedModel CrossValidatedModel: 'SVM' PredictorNames: {1x34 cell} ResponseName: 'Y' NumObservations: 351 KFold: 10 Partition: [1x1 cvpartition] ClassNames: {'b' ' 'g'} ScoreTransform: 'none'属性，方法

CVSVMModel是一个ClassificationededModel.旨在支持向量机分类器。默认情况下，该软件实现10倍交叉验证。

或者，您可以交叉验证一个经过培训的分类VM将它传递给横梁．

使用点符号检查一个训练过的折叠。

CVSVMModel。训练有素的{1}

ANS = CompactClassificationsVM RecordingAme：'Y'类分类：[] ClassNames：{'B''G'} ScorEtransform：'无'Alpha：[78x1 Double]偏置：-0.2209内核参数：[1x1 struct] mu：[1x34双] sigma：[1x34双]支持Vector金宝apps：[78x34双] SupportSVectorLabels：[78x1双]属性，方法

每个褶皱都是一个褶皱CompactClassificationSVM分类器对90%的数据进行训练。

估计泛化误差。

generror = kfoldloss（cvsvmmodel）

genError = 0.1168

平均而言，泛化误差约为12%。

算法

支持向量机二值分类算法的数学公式见金宝app二值分类的支持向量机和理解支持向量机金宝app．
南那<定义>，空字符向量('＇），空字符串（""），和< >失踪值表示缺失的值。fitcsvm删除与缺失响应对应的整行数据。在计算总权重时(见下一条)，fitcsvm忽略与至少缺少一个预测器的观测值相对应的任何权重。此操作可能导致平衡类问题中的先验概率不平衡。因此，观测框约束可能不相等BoxConstraint．
fitcsvm删除权重为零或先验概率为零的观察值。
对于两类学习，如果你指定代价矩阵 $C$ （见费用)，然后软件更新类的先验概率P.（见之前)P._C通过纳入本节中所述的处罚 $C$ ．
具体地说,fitcsvm完成这些步骤:
1. 计算 ${P.}_{C}^{*} = P.' C ．$
2. 规范化P._C^*更新后的先验概率和是1。
  
  ${P.}_{C} = \frac{1}{\sum_{j = 1}^{K.} {P.}_{C 那 j}^{*}} {P.}_{C}^{*} ．$
  
  K.是班级的数量。
3. 将代价矩阵重置为默认值
  
  $C = [\begin{matrix} 0. & 1 \\ 1 & 0. \end{matrix}] ．$
4. 从对应于具有零先验概率的类的训练数据中移除观察值。
对于两班学习，fitcsvm将所有观测权归一化(见重量)求和为1。然后，该函数对归一化权重进行重归一化，使其总和为观测所属类的更新先验概率。即观察的总权重j在班上K.是

${W.}_{j}^{*} = \frac{{W.}_{j}}{\sum_{\forall j \in 班 K.} {W.}_{j}} {P.}_{C 那 K.} ．$

W._j是标准化的观测权值吗j;P._C那K.更新的类先验概率是多少K.(见以前的子弹)。
对于两班学习，fitcsvm为培训数据中的每个观察分配一个框约束。用于观察的盒子约束的公式j是

$C_{j} = N C_{0.} {W.}_{j}^{*} ．$

N为训练样本量，C_0.初始框约束(参见“BoxConstraint”名称-值对参数），以及 ${W.}_{j}^{*}$ 是观察的总重量j(见以前的子弹)。
如果你设置“标准化”，没错和“成本”那“之前”,或“重量”名称值对参数，然后fitcsvm使用相应的加权平均值和加权标准差对预测值进行标准化。就是，fitcsvm标准化预测j（X_j)使用

$X_{j}^{*} = \frac{X_{j} - μ_{j}^{*}}{σ_{j}^{*}} ．$

$μ_{j}^{*} = \frac{1}{\sum_{K.} {W.}_{K.}^{*}} \sum_{K.} {W.}_{K.}^{*} X_{j K.} ．$
X_jk是观察K.(行)的预测j(列)。
${（ σ_{j}^{*} ）}^{2} = \frac{{V.}_{1}}{{V.}_{1}^{2} - {V.}_{2}} \sum_{K.} {W.}_{K.}^{*} {（ X_{j K.} - μ_{j}^{*} ）}^{2} ．$
${V.}_{1} = \sum_{j} {W.}_{j}^{*} ．$
${V.}_{2} = \sum_{j} {（ {W.}_{j}^{*} ）}^{2} ．$
假设P.是你在训练数据中期望的和你设置的异常值的比例吗OutlierFraction, p．
- 对于一节课的学习，软件训练偏差项，使其达到100P.%在训练数据中的观察值中，有1%的得分为负值。
- 该软件实现了强劲的学习两级学习。换句话说，该软件试图删除100个P.%优化算法收敛时的观测值。移除的观测值对应于幅度较大的梯度。
如果预测器数据包含分类变量，则软件通常对这些变量使用完全虚拟编码。软件为每个分类变量的每个级别创建一个虚拟变量。
- 这PredictorNames属性为每个原始预测器变量名存储一个元素。例如，假设有三个预测因子，其中一个是具有三个层次的分类变量。然后PredictorNames是包含预测变量原始名称的字符向量的1×3单元格数组。
- 这ExpandedPredictorNames属性存储每个预测变量的一个元素，包括虚拟变量。例如，假设有三个预测因子，其中一个是具有三个层次的分类变量。然后ExpandedPredictorNames是包含预测变量的名称和新的虚拟变量的一个字符向量的一个1-5个单元格阵列。
- 同样，β属性为每个预测器存储一个beta系数，包括虚拟变量。
- 这金宝appSupportVectors属性存储支持向量的预测值，包括虚拟变量。例如，假设有金宝appm金宝app支持向量和三个预测因子，其中一个是有三个层次的分类变量。然后金宝appSupportVectors是一个N-by-5矩阵。
- 这X属性将训练数据存储为原始输入，不包括虚拟变量。当输入是一个表时，X仅包含用作预测器的列。
对于表中指定的预测器，如果任何变量包含有序（有序）类别，软件将对这些变量使用有序编码。
- 对于一个变量K.订购级别，软件创建K.– 1虚拟变量j第一个哑变量为–1对于以下级别j,＋１适合水平j+ 1通过K.．
- 存储在中的虚拟变量的名称ExpandedPredictorNames属性指示具有该值的第一级＋１．软件商店K.– 1虚拟变量的附加预测器名称，包括级别2、3、…K.．
所有解算器都执行L.1 soft-margin最小化。
对于单类学习，软件估计拉格朗日乘数，α₁，...，α_N,这样

$\sum_{j = 1}^{N} α_{j} = N ν ．$

参考文献

Hastie, T.， R. Tibshirani, J. Friedman。统计学习的要素,第二版。纽约:施普林格,2008年。

Scholkopf, B.， J. C. Platt, J. C. shaw - taylor, A. J. Smola, R. C. Williamson。"估算高维分布的支持度"金宝app神经计算机。，卷。13，第7号，2001号，第1443-1471页。

克里斯汀尼尼，N。c。肖-泰勒。支持向量机和其他基于核的学习方法简介金宝app英国剑桥：剑桥大学出版社，2000年。

[4] Scholkopf, B.和A. Smola。核学习:支持向量机，正则化，优化和超越，自适应金宝app计算和机器学习。麻省剑桥：麻省理工学院出版社，2002年。

扩展功能

C/C++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用说明和限制：

这预测和更新函数支持代码生成。金宝app
将SVM分类模型的预测集成到Simulink中金宝app^®，你可以使用分类在统计和机器学习工具箱™库或MATLAB函数块预测功能。
当你通过使用fitcsvm，适用以下限制。
- 价值“ScoreTransform”名称-值对参数不能是匿名函数。为了生成预测给定新观测值的后验概率的代码，请将经过训练的SVM模型传递给fitPosterior或fitSVMPosterior．这ScoreTransform属性包含一个匿名函数，该函数表示得分后向概率函数，并配置用于代码生成。
- 对于定点代码生成，“ScoreTransform”名称-值对参数不能为“因弗罗吉特”．此外，值的价值“KernelFunction”名称-值对参数必须为“高斯”那“线性”,或多项式的．
- 对于具有编码器配置器的固定点代码生成和代码生成，适用以下附加限制。
  - 分类预测(逻辑那分类那烧焦那一串,或细胞)不支持。金宝app你不能使用'pationoricalpricictors'名称值参数。要在模型中包含分类预测器，可以使用戴维尔在拟合模型之前。
  - 类标签的分类不支持数据类型。金宝app培训数据中的类标签值都是标签值（资源描述或y的价值“类名”name-value参数不能是具有分类数据类型。

有关详细信息，请参阅代码生成简介．

也可以看看

ClassificationededModel.|CompactClassificationSVM|fitcsvm

话题

介绍了R2014a

分类VM

描述

创造

属性

支持向量机特性

阿尔法-训练分类器系数数值向量

β-线性预测系数数值向量

偏见-偏差项标量

箱约束-框约束数值向量

CacheInfo-缓存信息结构数组

Is金宝appSupportVector-金宝app支持向量指标逻辑向量

内核参数-核参数结构数组

ν-看到下面成了学习参数正标量

OutlierFraction-异常值的比例数值标量

解算器-优化程序'ISDA'|“L1QP”|'smo'

金宝appSupportVectorLabels-金宝app支持向量类标签S.-1号数字矢量

金宝appSupportVectors-金宝app支持向量S.-借-P.数字矩阵

其他分类属性

分类预测因子-分类预测指标正整数向量|[]

Classnames.-独特的类标签分类阵列|字符数组|逻辑向量|数值向量|字符向量单元数组

费用-误分类成本数字方阵

ExpandedPredictorNames-扩大了预测的名字字符向量单元数组

梯度-培训数据梯度值数值向量

ModelParameters-用于训练模型的参数目的

μ-预测方法数值向量|[]

numobservations.-观察次数数值标量

PredictorNames-预测器变量名字符向量单元数组

之前-事前机率数值向量

ractraceame.-响应变量名特征向量

RowsUsed-装配中使用的行[]|逻辑向量

ScoreTransform-分数转换特征向量|功能手柄

σ-预测标准差[](默认)|数值向量

W.-观察权重数值向量

X-Unstandardized预测数字矩阵|表格

y-类标签分类阵列|字符数组|逻辑向量|数值向量|字符向量单元数组

收敛控制属性

ConvergenceInfo-收敛信息结构数组

NumIterations-的迭代次数正整数

ShrinkagePeriod-活动集约简之间的迭代次数非负整数

Hyperparameter优化性能

HyperParameterOptimationResults.-超参数交叉验证优化描述BayesianOptimization目的|表格

对象的功能

例子

训练支持向量机分类器

训练并交叉验证支持向量机分类器

更多关于

框约束

克矩阵

Karush-Kuhn-Tucker互补条件

看到下面成了一个学习

金宝app支持向量机

金宝app二值分类的支持向量机

算法

参考文献

扩展功能

C/C++代码生成使用MATLAB®Coder™生成C和c++代码。

也可以看看

话题

统计和机器学习工具箱文档

金宝app

掌握机器学习：用MATLAB逐步指导

`阿尔法`-训练分类器系数
数值向量

`β`-线性预测系数
数值向量

`偏见`-偏差项
标量

`箱约束`-框约束
数值向量

`CacheInfo`-缓存信息
结构数组

`Is金宝appSupportVector`-金宝app支持向量指标
逻辑向量

`内核参数`-核参数
结构数组

`ν`-看到下面成了学习参数
正标量

`OutlierFraction`-异常值的比例
数值标量

`解算器`-优化程序
`'ISDA'`|`“L1QP”`|`'smo'`

`金宝appSupportVectorLabels`-金宝app支持向量类标签
S.-1号数字矢量

`金宝appSupportVectors`-金宝app支持向量
S.-借-P.数字矩阵

`分类预测因子`-分类预测指标
正整数向量|`[]`

`Classnames.`-独特的类标签
分类阵列|字符数组|逻辑向量|数值向量|字符向量单元数组

`费用`-误分类成本
数字方阵

`ExpandedPredictorNames`-扩大了预测的名字
字符向量单元数组

`梯度`-培训数据梯度值
数值向量

`ModelParameters`-用于训练模型的参数
目的

`μ`-预测方法
数值向量|`[]`

`numobservations.`-观察次数
数值标量

`PredictorNames`-预测器变量名
字符向量单元数组

`之前`-事前机率
数值向量

`ractraceame.`-响应变量名
特征向量

`RowsUsed`-装配中使用的行
`[]`|逻辑向量

`ScoreTransform`-分数转换
特征向量|功能手柄

`σ`-预测标准差
`[]`(默认)|数值向量

`W.`-观察权重
数值向量

`X`-Unstandardized预测
数字矩阵|表格

`y`-类标签
分类阵列|字符数组|逻辑向量|数值向量|字符向量单元数组

`ConvergenceInfo`-收敛信息
结构数组

`NumIterations`-的迭代次数
正整数

`ShrinkagePeriod`-活动集约简之间的迭代次数
非负整数

`HyperParameterOptimationResults.`-超参数交叉验证优化描述
`BayesianOptimization`目的|表格

C/C++代码生成
使用MATLAB®Coder™生成C和c++代码。