使用支持向量机(SVM)分类器分类观察金宝app
如果你使用线性支持向量机模型进行分类,并且该模型有很多支持向量,那么使用金宝app预测
对于预测方法可以很慢。要有效地对基于线性SVM模型进行分类的观察,请通过使用删除模型对象的支持向量金宝app丢弃普罗斯韦普金宝app罗斯韦
.
默认和不考虑模型的核函数,MATLAB
该预测方法需要训练有素的支持向量和金宝appα系数(见金宝app支持监视器
和Α
SVM模型的属性)。
默认情况下,软件使用PLATT方法计算最佳的后验概率[1]:
执行10倍交叉验证。
将SIGMOID函数参数拟合到交叉验证中返回的分数。
通过将交叉验证分数进入拟合的S形函数来估计后验概率。
在训练过程中,该软件将先验概率加入到SVM目标函数中。
支持向量机,预测
和重新预订
将观察分类为阶级,产生最大的得分(最大的后验概率)。软件通过在培训分类器之前应用平均成本校正来占用错误分类成本。也就是说,给定上课P.,错误分类成本矩阵C,观测权向量W.,该软件定义了一个新的观察重量向量(W.)这样的
将SVM分类模型的预测集成到Simulink中金宝app预测
函数。有关示例,请参见使用分类支持向量机预测块预测类标签和用MATLAB函数块预测类标签.
在确定使用哪种方法时,请考虑以下内容:
如果使用“统计和机器学习工具箱”库块,则可以使用
金宝app变量的MATLAB函数块必须支持可变大小的数组预测
函数。
如果使用MATLAB功能块,你可以使用MATLAB功能之前,或在同一MATLAB功能块的预测之后预处理或后处理。
支持向量机的概率输出以及与正则似然方法的比较。金宝app大保证金分类器的进展.MIT Press,1999,第61-74页。