损失

查找支持向量机（SVM）分类器的分类错误金宝app

页面上倒塌

语法

L=损失（SVMModel、TBL、ResponseArName）

L =损耗（SVMMODEL，TBL，Y）

L=损失（SVMModel，X，Y）

l =损失（___，名称，价值）

描述

L=损失(svmmodel.,TBL.,responsevarname.)返回分类错误（请参见分类损失），标量表示训练的支持向量机（SVM）分类器（金宝appsvmmodel.）对表中的预测器数据进行分类TBL.与真正的课程标签相比tbl.responsevarname..

损失标准化类概率tbl.responsevarname.到之前的概率fitcsvm.用于培训，储存在事先的性质svmmodel..

分类损失(L)是一种概括或重新替代的质量度量。其解释取决于损失函数和加权方案，但一般来说，更好的分类器产生更小的分类损失值。

L=损失(svmmodel.,TBL.,Y)返回表中预测器数据的分类错误TBL.和真正的类标签Y.

损失标准化类概率Y到之前的概率fitcsvm.用于培训，储存在事先的性质svmmodel..

例子

L=损失(svmmodel.,X,Y)基于矩阵中的预测器数据返回分类错误X与真正的课程标签相比Y.

例子

L=损失(___,名称、值)除了以前语法中的输入参数之外，使用一个或多个名称值对参数指定选项。例如，您可以指定丢失函数和分类权重。

例子

全部收缩

确定SVM分类器的测试样本分类错误

打开直播脚本

加载电离层数据集。

负载电离层RNG（1）;重复性的％

训练SVM分类器。指定用于测试的15％HoldOut样本，标准化数据并指定'G'是积极类。

cvsvmmodel = fitcsvm（x，y，'坚持'，0.15，'classnames'，{'B','G'}，......'标准化'，true）；CompactSVMModel=CVSVMModel.Trained{1}；％提取训练，紧凑的分类器testinds = test（cvsvmmodel.partition）;%提取测试指标xtest = x（testinds，:);ytest = y（testinds，:);

CVSVMModel是A.分类分区模型分类器。它包含该物业训练有素，这是一个1×1个单元阵列，保持aCompactClassificationsVM.软件使用训练集训练的分类器。

通过估计测试样本分类误差来确定算法概括的程度。

l =损耗（CompactSvmModel，XTest，YTEST）

L=0.0787

SVM分类器错误分类约8％的测试样本。

确定SVM分类器的测试样品铰链损失

打开直播脚本

加载电离层数据集。

负载电离层RNG（1）;重复性的％

训练SVM分类器。指定用于测试的15％HoldOut样本，标准化数据并指定'G'是积极类。

cvsvmmodel = fitcsvm（x，y，'坚持'，0.15，'classnames'，{'B','G'}，......'标准化'，true）；CompactSVMModel=CVSVMModel.Trained{1}；％提取训练，紧凑的分类器testinds = test（cvsvmmodel.partition）;%提取测试指标xtest = x（testinds，:);ytest = y（testinds，:);

CVSVMModel是A.分类分区模型分类器。它包含该物业训练有素，这是一个1×1个单元阵列，保持aCompactClassificationsVM.软件使用训练集训练的分类器。

通过估计测试样品铰链损耗来确定算法概括的程度。

L =损耗（CompactSvmModel，XTest，Yest，'lockfun','合页')

L = 0.2998.

铰链损耗约为0.3。具有接近0的铰链损耗的分类器是优选的。

输入参数

全部收缩

`svmmodel.`—SVM分类模型
`分类VM.`模型对象|`CompactClassificationsVM.`模型对象

SVM分类模型，指定为a分类VM.模型对象或CompactClassificationsVM.返回的模型对象fitcsvm.或者袖珍的分别地

`TBL.`—样本数据
桌子

示例数据，指定为表。每一排TBL.对应于一个观察，并且每列对应于一个预测变量。可选地，TBL.可以包含响应变量和观察权重的附加列。TBL.必须包含用于训练的所有预测器svmmodel..不允许使用字符向量的单元格数组以外的多列变量和单元格数组。

如果TBL.包含用于训练的响应变量svmmodel.，那么你不需要指定responsevarname.或者Y.

如果你训练有素svmmodel.使用表中包含的示例数据，然后损失也必须在桌子上。

如果你设置了“标准化”，没错在里面fitcsvm.训练时svmmodel.，然后软件使用相应的手段标准化预测器数据的列svmmodel.mu.以及SVMModel.Sigma.

数据类型：桌子

`responsevarname.`—响应变量名称
中变量的名称`TBL.`

响应变量名称，指定为变量的名称TBL..

您必须指定responsevarname.作为字符矢量或字符串标量。例如，如果响应变量Y存储为tbl.y.然后指定responsevarname.作为'是'.否则，该软件将处理所有列TBL.，包含Y，作为训练模型时的预测器。

响应变量必须是分类，字符或字符串阵列，逻辑或数字矢量或字符向量的单元格数组。如果响应变量是字符数组，则每个元素必须对应于数组的一行。

数据类型：char|细绳

`X`—预测数据
数值矩阵

预测数据，指定为数字矩阵。

每一排X对应一个观察值（也称为实例或示例），每列对应一个变量（也称为特征）X必须与训练svmmodel.分类器。

长度Y和行的行数X必须平等。

如果你设置了“标准化”，没错在里面fitcsvm.培训svmmodel.，然后该软件标准化列的列X使用相应的手段svmmodel.mu.以及SVMModel.Sigma.

数据类型：双倍的|单身的

`Y`—类标签
范畴数组|字符阵列|字符串数组|逻辑矢量|数字矢量|字符向量的单元格阵列

类标签，指定为分类，字符或字符串阵列，逻辑或数字矢量或字符向量的单元格数组。Y必须与的数据类型相同svmmodel.classnames..（软件将字符串数组视为字符向量的单元数组。）

长度Y必须等于中的行数TBL.或中的行数X.

名称值对参数

指定可选的逗号分隔的字符对名称、值论点。姓名是参数名和价值是相应的价值。姓名必须出现在引号内。您可以以任何顺序指定多个名称和值对参数name1，value1，...，namen，valuen.

例子：损耗（SVMModel、TBL、Y、‘重量’、W）重量每行的观察TBL.在变量的每一行中使用相应的权重W在里面TBL..

`'lockfun'`—损失功能
`'classiferror'`（默认）|`“偏差”`|`'指数'`|`'合页'`|`“罗吉特”`|`“mincost”`|`'二次'`|函数句柄

损失函数，指定为逗号分隔对组成'lockfun'和内置丢失函数名称或函数句柄。

此表列出了可用损耗功能。使用其对应的字符向量或字符串标量指定一个。

价值	描述
`“偏差”`	二项式偏差
`'classiferror'`	小数点被错误分类
`'指数'`	指数损失
`'合页'`	铰链损失
`“罗吉特”`	物流损失
`“mincost”`	最小预期的错误分类成本（用于后验概率的分类分数）
`'二次'`	二次损失

“mincost”适用于后验概率的分类分数。您可以通过设置'fitposterior'，真实使用交叉验证模型时fitcsvm..

使用函数句柄表示法指定自己的功能。
假设N是中的观察数X，和K是不同类的数量(numel（svmmodel.classnames））用于创建输入模型（svmmodel.).您的功能必须具有此签名
```
lockvalue =损失义务（C，S，W，成本）
```
哪里：
- 输出参数失值是一个标量。
- 您可以选择函数名(损失义务).
- C是一个N-经过-K逻辑矩阵，行指示相应观察值所属的类。列顺序与中的类顺序相对应svmmodel.classnames..
  构造C通过设置c（p，q）= 1如果观察P她在上课Q每行。设置行的所有其他元素P到0.
- s是一个N-经过-K分类分数的数字矩阵，类似于输出预测.列顺序对应于类顺序svmmodel.classnames..
- W是一个N- 1个数字矢量重量的数字矢量。如果你通过了W，软件将权重标准化为总和1..
- 成本是A.K-经过-K错误分类成本的数字矩阵。例如，成本=（k） - 眼睛（k）指定成本0正确分类和1.错误分类。
使用'lockfun'，@损失义务.

有关损失函数的更多详细信息，请参阅分类损失.

例子：'lockfun'，'binodeviance'

数据类型：char|细绳|功能手柄

`“重量”`—观察权重
`（大小（x，1），1）`（默认）|数字矢量|中变量的名称`TBL.`

观察权重，指定为逗号分隔的配对组成“重量”和一个数字向量或一个变量的名称TBL..软件对每一行的观测值进行称重X或者TBL.相应的重量在砝码.

如果您指定砝码作为数值向量，则砝码必须等于行数X或者TBL..

如果您指定砝码作为中变量的名称TBL.，您必须这样做作为字符向量或字符串标量。例如，如果重量被存储为TBL.W.然后指定砝码作为“W”.否则，该软件将处理所有列TBL.，包含TBL.W.作为预测因素。

如果您未指定自己的丢失功能，则软件标准化砝码总结相应类中的现有概率的值。

例子：'重量'，'w'

数据类型：单身的|双倍的|char|细绳

更多关于

全部收缩

分类损失

分类损失功能测量分类模型的预测不准确性。当您在许多模型之间比较相同类型的损耗时，较低的损耗表示更好的预测模型。

考虑以下情景。

L是加权平均分类损失。
N是样本量。
对于二进制分类：
- Y_J是观察到的类标签。软件将其代码为-1或1，表示负类或正类（或第一个或第二类类名财产分别。
- F(X_J）是观察的正级分类评分（行）J预测数据X.
- M_J=Y_JF(X_J）是分类观察的分类分数J进入对应的类Y_JM_J表明正确的分类，并没有为平均损失贡献。负值M_J表示不正确的分类，并对平均损失显着贡献。
对于支持多字符分类的算法（即，金宝appK≥3）：
- Y_J^*是一个矢量K- 1零，1个位置与真实的，观察类相对应Y_J.例如，如果第二个观察的真正类是第三个阶级和K= 4那么Y_2.^*= [0 0 1 0]′.类的顺序对应于订单类名输入模型的属性。
- F(X_J）是长度K课程的传染媒介观察的J预测数据X.分数的顺序对应于类中的类的顺序类名输入模型的属性。
- M_J=Y_J^*′F(X_J).所以，M_J标量分类得分是模型预测真实的观察类。
观察权重J是W_J.软件将观测权重标准化，使其总和为相应的先验类别概率。软件还将先验概率标准化，使其总和为1。因此，

${σ.}_{J = 1.}^{N} W_{J} = 1。$

鉴于此方案，下表介绍了通过使用您可以指定的支持损耗功能金宝app'lockfun'名称-值对参数。

损失功能	价值`损失义务`	方程
二项式偏差	`“偏差”`	$L = {σ.}_{J = 1.}^{N} W_{J} 日志 {1. + exp. [- 2. M_{J}]} .$
小数点被错误分类	`'classiferror'`	$L = {σ.}_{J = 1.}^{N} W_{J} 我 {{\hat{Y}}_{J} \neq Y_{J}} .$ ${\hat{Y}}_{J}$ 是与得分最大的类对应的类标签。我{·是指标功能。
交叉熵损失	`'forrorentropy'`	`'forrorentropy'`仅适用于神经网络模型。加权交叉熵损失是 $L = - {σ.}_{J = 1.}^{N} \frac{{\overset{〜}{W}}_{J} 日志 (M_{J})}{K N},$ 哪里重量 ${\overset{〜}{W}}_{J}$ 将标准化为总和N而不是1。
指数损失	`'指数'`	$L = {σ.}_{J = 1.}^{N} W_{J} exp. (- M_{J}) .$
铰链损失	`'合页'`	$L = {σ.}_{J = 1.}^{N} W_{J} 最大限度 {0, 1. - M_{J}} .$
罗吉特损失	`“罗吉特”`	$L = {σ.}_{J = 1.}^{N} W_{J} 日志 (1. + exp. (- M_{J})) .$
最小预期错误分类费用	`“mincost”`	`“mincost”`仅当分类分数是后验概率时才适当。该软件使用此过程计算加权最小预期的分类成本进行观察J= 1，......，N. 估计分类观察的预期错误分类成本X_J进入课堂K: ${γ.}_{J K} = {(F {(X_{J})}^{'} C)}_{K} .$ F(X_J）是对观察的二元和多字母分类的类后验概率的柱矢量X_J.C成本矩阵是否存储在`成本`模型的财产。对于观察J，预测对应于最小预期误分类成本的类别标签： ${\hat{Y}}_{J} = \underset{K = 1., ......, K}{argmin.} {γ.}_{J K} .$ 使用C，确定招致的成本（C_J)为了做出预测。最小预期错误分类成本损失的加权平均值是 $L = {σ.}_{J = 1.}^{N} W_{J} C_{J} .$ 如果使用默认成本矩阵（其要素值为0表示正确分类，1表示不正确分类），则`“mincost”`损失相当于损失`'classiferror'`损失。
二次损失	`'二次'`	$L = {σ.}_{J = 1.}^{N} W_{J} {(1. - M_{J})}^{2.} .$

该图比较了损耗功能（除了'forrorentropy'和“mincost”）超过分数M一个观察。某些功能被归一化以通过点（0,1）。

分数分数

SVM分类分数用于分类观测x是符合距离的距离x到决策边界范围从-∞到+∞。班级的正得分表示x预计将在那个课程中。负分数否则表示。

正类分类分数 $F (x)$ 是经过训练的SVM分类函数。 $F (x)$ 也是数值预测的响应x，或预测的分数x进入正班。

$F (x) = {σ.}_{J = 1.}^{N} {α.}_{J} Y_{J} G (x_{J}, x) + B,$

在哪里 $({α.}_{1.}, ......, {α.}_{N}, B)$ 是估计的SVM参数， $G (x_{J}, x)$ 是在预测的空间之间的圆点产品x和支持向量，并且金宝app总和包括训练集观察。负类分类分数x，或预测的分数x进入消极课程，是 -F(x).

如果G(x_J,x）=x_J′x（线性内核），那么得分功能会减少到

$F (x) = (x / s)' β + B .$

s是内核比例和β是拟合线性系数的向量。

有关更多详细信息，请参阅了解支持向量机金宝app.

参考

[1] Hastie，T.，R. Tibshirani和J. Friedman。统计学习的要素，第二版。斯普林格，纽约，2008年。

扩展能力

高阵
使用行数超过内存容量的数组进行计算。

此函数完全支持高数组。有关更多信息，请参金宝app阅高阵.

GPU阵列
使用并行计算工具箱™在图形处理单元（GPU）上运行，加速代码。

此功能完全支持GPU阵列。金宝app有关更多信息，请参阅在GPU上运行MATLAB函数（并行计算工具箱）.

另见

分类VM.|CompactClassificationsVM.|fitcsvm.|预测

在R2014A介绍

损失

语法

描述

例子

确定SVM分类器的测试样本分类错误

确定SVM分类器的测试样品铰链损失

输入参数

`svmmodel.`—SVM分类模型
`分类VM.`模型对象|`CompactClassificationsVM.`模型对象

`TBL.`—样本数据
桌子

`responsevarname.`—响应变量名称
中变量的名称`TBL.`

`X`—预测数据
数值矩阵

`Y`—类标签
范畴数组|字符阵列|字符串数组|逻辑矢量|数字矢量|字符向量的单元格阵列

名称值对参数

`'lockfun'`—损失功能
`'classiferror'`（默认）|`“偏差”`|`'指数'`|`'合页'`|`“罗吉特”`|`“mincost”`|`'二次'`|函数句柄

`“重量”`—观察权重
`（大小（x，1），1）`（默认）|数字矢量|中变量的名称`TBL.`

更多关于

分类损失

分数分数

参考

扩展能力

高阵
使用行数超过内存容量的数组进行计算。

GPU阵列
使用并行计算工具箱™在图形处理单元（GPU）上运行，加速代码。

另见

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

损失

语法

描述

例子

确定SVM分类器的测试样本分类错误

确定SVM分类器的测试样品铰链损失

输入参数

svmmodel.—SVM分类模型分类VM.模型对象|CompactClassificationsVM.模型对象

TBL.—样本数据桌子

responsevarname.—响应变量名称中变量的名称TBL.

X—预测数据数值矩阵

Y—类标签范畴数组|字符阵列|字符串数组|逻辑矢量|数字矢量|字符向量的单元格阵列

名称值对参数

'lockfun'—损失功能'classiferror'（默认）|“偏差”|'指数'|'合页'|“罗吉特”|“mincost”|'二次'|函数句柄

“重量”—观察权重（大小（x，1），1）（默认）|数字矢量|中变量的名称TBL.

更多关于

分类损失

分数分数

参考

扩展能力

高阵使用行数超过内存容量的数组进行计算。

GPU阵列使用并行计算工具箱™在图形处理单元（GPU）上运行，加速代码。

另见

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

`svmmodel.`—SVM分类模型
`分类VM.`模型对象|`CompactClassificationsVM.`模型对象

`TBL.`—样本数据
桌子

`responsevarname.`—响应变量名称
中变量的名称`TBL.`

`X`—预测数据
数值矩阵

`Y`—类标签
范畴数组|字符阵列|字符串数组|逻辑矢量|数字矢量|字符向量的单元格阵列

`'lockfun'`—损失功能
`'classiferror'`（默认）|`“偏差”`|`'指数'`|`'合页'`|`“罗吉特”`|`“mincost”`|`'二次'`|函数句柄

`“重量”`—观察权重
`（大小（x，1），1）`（默认）|数字矢量|中变量的名称`TBL.`

高阵
使用行数超过内存容量的数组进行计算。

GPU阵列
使用并行计算工具箱™在图形处理单元（GPU）上运行，加速代码。