支持向量机等分类器的交叉验证多类ECOC模型金宝app
Classificationedecoc.
是一组错误校正的输出代码(ECOC)模型,在交叉验证的折叠上培训。使用一个或多个“kfold”功能估算交叉验证分类的质量:kfoldPredict
,kfoldLoss
,Kfoldmargin.
,kfoldEdge
, 和kfoldfun.
.
每一种“kfold”方法都使用在训练折叠(内折叠)观测上训练的模型来预测验证折叠(外折叠)观测的响应。例如,假设您使用5倍交叉验证。在这种情况下,软件将每个观察结果随机分配到大小相同(大致)的五组。的训练折叠包含四个组(大约4/5的数据),以及验证褶皱包含其他组(大约1/5的数据)。在这种情况下,交叉验证进行如下:
软件训练第一个模型(存储在cvmdl.tromed {1}
)通过在最后四组中使用观察,并保留第一组的观察结果进行验证。
该软件列举了第二种模型(存储在cvmdl.tromed {2}
)通过使用第一组和最后三组的观察。该软件储备在第二组中的观察结果进行验证。
该软件以类似的方式进行第三,第四和第五型号。
如果使用使用kfoldPredict
,该软件计算出对小组观测结果的预测我通过使用我模型。简而言之,该软件通过使用未经该观察而训练的模型来估计每个观察的响应。
您可以创建Classificationedecoc.
模型以两种方式:
CrossValidatedModel
- - - - - -交叉验证的型号名称交叉验证的模型名称,指定为字符向量。
例如,'ecoc'
指定一个交叉验证的ECOC模型。
数据类型:char
KFold
- - - - - -交叉验证折叠数量交叉验证折叠的数量,指定为正整数。
数据类型:双
ModelParameters
- - - - - -交叉验证参数值交叉验证参数值,指定为对象。参数值对应于用于交叉验证ECOC分类器的名称值对参数值。ModelParameters
不包含估计参数。
您可以访问属性ModelParameters
使用点表示法。
NumObservations
- - - - - -数量的观察训练数据中的观测数,指定为正数值标量。
数据类型:双
分区
- - - - - -数据分区cvpartition
模型数据分区,指示软件如何将数据分割成交叉验证折叠,指定为cvpartition
模型。
训练有素的
- - - - - -紧凑型分类器在交叉验证折叠上培训CompactClassificationECOC
楷模在交叉验证折叠上训练的紧凑分类器,指定为单元格数组CompactClassificationECOC
楷模。训练有素的
有k细胞,在哪里k是折叠的数量。
数据类型:细胞
W
- - - - - -观察权重用于交叉验证模型的观察权重,指定为数字向量。W
有NumObservations
元素。
该软件将用于训练的重量标准化为此总和(w,'omitnan')
是1
.
数据类型:单
|双
X
- - - - - -Unstandardized预测数据Unaldardization的预测数据用于交叉验证分类器,指定为数字矩阵或表。
每一排X
对应于一个观察,并且每列对应于一个变量。
数据类型:单
|双
|桌子
Y
- - - - - -观察到的类标签观察到的类标签用于交叉验证模型、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格数组。Y
有NumObservations
元素,并具有与输入参数相同的数据类型Y
你传递给fitcecoc.
交叉验证模型。(该软件将字符串数组视为字符向量的单元格数组。)
每一排Y
表示观察到的相应行分类X
.
数据类型:分类
|char
|逻辑
|单
|双
|细胞
BinaryLoss
- - - - - -二元学习者损失函数“binodeviance”
|“指数”
|“汉明”
|'合页'
|“线性”
|分对数的
|'二次'
二进制学习者丢失函数,指定为表示丢失函数名称的字符矢量。
如果你使用使用不同损失函数的二进制学习器进行训练,那么软件就会设置BinaryLoss
来“汉明”
.为了潜在地提高精度,在预测或损失计算期间指定一个二进制损失函数而不是默认值'二元乐'
名称 - 值对参数kfoldPredict
或者kfoldLoss
.
数据类型:char
BinaryY
- - - - - -二元学习者类别标签[]
二进制学习者类标签,指定为数字矩阵或[]
.
如果编码矩阵在所有折叠上都相同,则BinaryY
是一个NumObservations
-经过-l矩阵,其中l为二元学习者的人数(大小(CodingMatrix, 2)
).
的元素BinaryY
是1
,0
,或1
,值对应于二分法类分配。这张表描述了学习者的方式j
分配的观察k
对对应于价值的二分法类BinaryY (k, j)
.
价值 | 二分法班级任务 |
---|---|
1 |
学习者j 分配的观察k 到一个负面的课程。 |
0 |
在培训之前,学习者j 去除观察k 从数据集。 |
1 |
学习者j 分配的观察k 一个积极的班级。 |
如果编码矩阵随着折叠而变化,那么BinaryY
是空的 ([]
).
数据类型:双
CodingMatrix
- - - - - -指定类分配的代码[]
指定二进制学习者的类分配的代码,指定为数字矩阵或[]
.
如果编码矩阵在所有折叠上都相同,则CodingMatrix
是一个K-经过-l矩阵,其中K班级的数量是多少l是二元学习者的数量。
的元素CodingMatrix
是1
,0
,或1
,值对应于二分法类分配。这张表描述了学习者的方式j
在课堂上分配观察我
对对应于价值的二分法类CodingMatrix (i, j)
.
价值 | 二分法班级任务 |
---|---|
1 |
学习者j 在课堂上分配观察我 到一个负面的课程。 |
0 |
在培训之前,学习者j 在课堂上删除观察我 从数据集。 |
1 |
学习者j 在课堂上分配观察我 一个积极的班级。 |
如果编码矩阵随着折叠而变化,那么CodingMatrix
是空的 ([]
).的方法可以得到每个折叠的编码矩阵训练有素的
财产。例如,CVMdl.Trained {1} .CodingMatrix
是交叉验证的ECOC模型的第一折叠中的编码矩阵cvmdl.
.
数据类型:双
|单
|INT8.
|int16
|INT32.
|int64
分类预测器
- - - - - -分类预测索引[]
分类预测索引指定为正整数的向量。分类预测器
包含与包含分类预测器的预测器数据列对应的索引值。如果没有预测器都是分类的,则此属性是空的([]
).
数据类型:单
|双
一会
- - - - - -独特的类标签在培训中使用的唯一类标签,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。一会
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数组。)一会
也决定了类的顺序。
数据类型:分类
|char
|逻辑
|单
|双
|细胞
成本
- - - - - -误分类代价此属性是只读的。
误分类代价,指定为方阵数值矩阵。成本
有K行和列,其中K为类数。
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我
.行和列的顺序成本
对应于类的顺序一会
.
fitcecoc.
在不同类型的二元学习者中,采用不同的误分类成本。
数据类型:双
预测
- - - - - -预测者名称预测器名称按其在预测器数据中的出现顺序排列X
,指定为字符向量的小区数组。长度预测
等于X
.
数据类型:细胞
事先的
- - - - - -先前的概率此属性是只读的。
先前的概率,指定为数字矢量。事先的
具有与类的数量一样多的元素一会
,元素的顺序对应于类的顺序一会
.
fitcecoc.
在不同类型的二元学习者中,采用不同的误分类成本。
数据类型:双
ractraceame.
- - - - - -响应变量名称响应变量名,指定为字符向量。
数据类型:char
scoretransform.
- - - - - -分数变换函数应用于预测分数'doublelogit'
|“invlogit”
|“ismax”
|分对数的
|“没有”
|函数处理|......用于预测分数的分数转换函数,指定为函数名或函数句柄。
更改分数转换功能功能
,例如,使用点符号。
对于内置功能,请输入此代码并替换功能
在表中的一个值。
Mdl。ScoreTransform = '功能';
价值 | 描述 |
---|---|
'doublelogit' |
1 /(1 +e2x) |
“invlogit” |
日志(x/(1 -x))) |
“ismax” |
将具有最大分数的类设置为1的分数,并将所有其他类的分数设置为0 |
分对数的 |
1 /(1 +e- - - - - -x) |
“没有” 或者“身份” |
x(没有转型) |
'标志' |
1x<0 为0x= 0 1x> 0 |
“对称” |
2x- 1 |
“symmetricismax” |
将具有最大分数为1的类设置分数,并将所有其他类的分数设置为-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 = @功能;
功能
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:char
|function_handle
kfoldEdge |
交叉验证ECOC模型的分类边缘 |
kfoldLoss |
交叉验证ECOC模型的分类损失 |
Kfoldmargin. |
交叉验证ECOC模型的分类裕度 |
kfoldPredict |
在交叉验证的ECOC模型中对观测结果进行分类 |
kfoldfun. |
交叉验证功能使用交叉验证的ECOC模型 |
用支持向量机二值学习器交叉验证ECOC分类器,估计广义分类误差。
装载Fisher的Iris数据集。指定预测器数据X
以及响应数据Y
.
负载渔民X =量;Y =物种;rng (1);重复性的%
创建SVM模板,并标准化预测器。
t = templatesvm('标准化',真的)
t =适合分类支持向量机的模板。α:[0 x1双]BoxConstraint: [] CacheSize: [] CachingMethod:“ClipAlphas: [] DeltaGradientTolerance:[]ε:[]GapTolerance: [] KKTTolerance: [] IterationLimit: [] KernelFunction:“KernelScale: [] KernelOffset: [] KernelPolynomialOrder: [] NumPrint:[]ν:[]OutlierFraction: [] RemoveDuplicates: [] ShrinkagePeriod:[]解算器:"标准化数据:1 SaveSupportVector金宝apps: [] VerbosityLevel:[]版本:2方法:'SVM'类型:'分类'
t
是一个支持向量机模板。大多数模板对象属性都是空的。在训练ECOC分类器时,软件将适用属性设置为默认值。
训练ECOC分类器,并指定类的顺序。
mdl = fitcecoc(x,y,“学习者”,t,......'classnames',{'setosa','versicolor','virginica'});
MDL.
是一个ClassificationECOC
分类器。您可以使用点表示法访问其属性。
旨在MDL.
使用10倍交叉验证。
cvmdl = crossval(mdl);
cvmdl.
是一个Classificationedecoc.
旨在ECOC分类器。
估计广义分类错误。
genError = kfoldLoss (CVMdl)
genError = 0.0400
广义分类误差为4%,这表明ECOC分类器概括得很好。
使用a列车一个与所有ecoc分类器GentleBoost
决策树与代理分裂的集合。加快培训,箱数字预测器并使用并行计算。啤酒才有效fitcecoc.
使用树学习者。训练后,使用10倍交叉验证估计分类误差。请注意,并行计算需要parallel computing Toolbox™。
加载示例数据
装入并检查心律失常
数据集。
负载心律失常(氮、磷)大小(X) =
n = 452.
p = 279
isLabels =独特(Y);nLabels =元素个数(isLabels)
nLabels = 13
汇总(分类(Y))
值计数百分比1 245 54.20% 2 44 9.73% 3 15 3.32% 4 15 3.32% 5 13 2.88% 6 25 5.53% 73 0.66% 8 2 0.44% 99 1.99% 10 50 11.06% 14 4 0.88% 15 5 1.11% 16 22 4.87%
数据集包含279
预测因素和样本量452.
相对较小。在16个不同的标签中,只有13个在响应中表示(Y
).每个标签描述了不同程度的心律失常,54.20%的观察是在课堂上进行的1
.
训练一个对所有ECOC分类器
创建集成模板。您必须指定至少三个参数:方法、学习者的数量和学习者的类型。对于本例,请指定'温船'
对于方法,100.
对于学习者的数量,以及由于缺少观察结果而使用代理拆分的决策树模板。
ttree = templatetree(“代孕”,“上”);tEnsemble = templateEnsemble ('温船',100,TTREE);
tEnsemble
是模板对象。它的大部分属性都是空的,但是软件在训练期间用它们的默认值填充它们。
使用决策树作为二进制学习者培训一个与之一体的ECOC分类器。加快培训,使用分箱和并行计算。
装箱(“NumBins”,50岁
) -当你有一个大的训练数据集时,你可以通过使用“NumBins”
名称值对参数。此参数仅在何时有效fitcecoc.
使用树学习者。如果您指定了“NumBins”
值,然后将软件将每个数字预测器置于指定数量的eciprobable bins中,然后在箱上的树木上生长树木指数而不是原始数据。你可以试试“NumBins”,50岁
先改,再改“NumBins”
值取决于准确性和训练速度。
并行计算('选项',statset('deverypallellel',true)
) - 使用并行计算工具箱许可证,您可以使用并行计算加快计算,该控从每个二进制学习者向池中的工作人员发送。工作人员的数量取决于您的系统配置。当您为二元学习者使用决策树时,fitcecoc.
使用英特尔®螺纹构建块(TBB)并联培训进行双核系统及以上。因此,指定“UseParallel”
选项对单台计算机无济于事。在群集中使用此选项。
另外,指定先验概率为1/K,在那里K= 13是不同类的数量。
选项= statset(“UseParallel”,真的);mdl = fitcecoc(x,y,'编码',“onevsall”,“学习者”tEnsemble,......'事先的',“统一”,“NumBins”,50,“选项”,选项);
使用“local”配置文件启动并行池(parpool)…连接到并行池(工作人员数量:6)。
MDL.
是一个ClassificationECOC
模型。
交叉验证
使用10倍交叉验证交叉验证ECOC分类器。
CVMdl = crossval (Mdl,“选项”,选项);
警告:一个或多个折叠不包含所有组的点。
cvmdl.
是一个Classificationedecoc.
模型。警告表明,当软件训练至少一倍时,有些类没有表示。因此,这些折叠不能预测缺失类的标签。可以使用单元格索引和点表示法检查折叠的结果。例如,通过输入来访问第一次折叠的结果cvmdl.tromed {1}
.
使用交叉验证的ECOC分类器预测验证折叠标签。您可以通过使用来计算混淆矩阵confusionchart
.通过更改内部位置属性来移动和调整图表的大小,以确保百分比出现在行摘要中。
Ooflabel = kfoldpredict(cvmdl,“选项”,选项);Confmat = ConfusionChart(Y,Ooflabel,“RowSummary”,'总归一化');confmat.innerposition = [0.10 0.12 0.85 0.85];
再现Binned数据
通过使用使用的重现Binned预测测量数据毕业生
培训模型的财产和离散化
函数。
x = mdl.x;%的预测数据Xbinned = 0(大小(X));边缘= Mdl.BinEdges;%查找箱预测因子的指数。idxnumeric = find(〜cellfun(@ isempty,边));如果iscolumn(idxNumeric) idxNumeric = idxNumeric';结束为j = idxNumeric x = x (:,j);%如果x是一个表,则将x转换为数组。如果istable(x)x = table2array(x);结束%使用离散函数将x分组到bins中。xbinned =离散化(x,[ - inf;边缘{j}; inf]);Xbinned(:,j)= xbinned;结束
xbinned.
包含单位,范围为1到箱数,用于数字预测器。xbinned.
值是0
对于分类预测器。如果X
包含南
S,然后对应的xbinned.
值是南
s。
你点击一个链接对应于这个MATLAB命令:
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app
您还可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。