用于一类和二值分金宝app类的紧凑型支持向量机
CompactClassificationsVM.
是支持向量机(SVM)分类器的紧凑版本。金宝app紧凑分类器不包括用于训练SVM分类器的数据。因此,您不能使用紧凑分类器执行某些任务,例如交叉验证。使用一个紧凑的SVM分类器来完成一些任务,例如预测新数据的标签。
compareHoldout |
使用新数据比较两个分类模型的精度 |
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 |
拟合紧凑支持向量机分类器的后验概率金宝app |
incrementalLearner |
将二值分类支持向量机模型转换为增量学习器金宝app |
酸橙 |
局部可解释的模型不可知解释(LIME) |
损失 |
查找支持向量机分类器的分类错误金宝app |
保证金 |
查找支持向量机(SVM)分类器的分类边距金宝app |
partialDependence |
计算部分依赖 |
plotPartialDependence |
创建部分依赖图(PDP)和个人条件期望图(ICE) |
预测 |
使用支持向量机分类器对观测数据进行分类金宝app |
沙普利 |
沙普利值 |
更新 |
更新代码生成的模型参数 |
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.第13卷,第7期,2001年,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.剑桥,英国:剑桥大学出版社,2000年出版社。
[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。剑桥,马:2002年的麻省理工学院新闻。