kfoldEdgegydF4y2Ba

交叉验证ECOC模型的分类边缘gydF4y2Ba

语法gydF4y2Ba

边缘= kfoldEdge (CVMdl)gydF4y2Ba

边缘= kfoldEdge (CVMdl、名称、值)gydF4y2Ba

描述gydF4y2Ba

边缘gydF4y2Ba= kfoldEdge (gydF4y2BaCVMdlgydF4y2Ba）gydF4y2Ba返回gydF4y2Ba分类的优势gydF4y2Ba由交叉验证的ECOC模型(gydF4y2BaClassificationPartitionedECOCgydF4y2Ba）gydF4y2BaCVMdlgydF4y2Ba．对于每一个褶皱,gydF4y2BakfoldEdgegydF4y2Ba使用训练折叠观测数据训练的ECOC模型计算验证折叠观测数据的分类边缘。gydF4y2BaCVMdl。XgydF4y2Ba包含两组观察结果。gydF4y2Ba

例子gydF4y2Ba

边缘gydF4y2Ba= kfoldEdge (gydF4y2BaCVMdlgydF4y2Ba，gydF4y2Ba名称,值gydF4y2Ba）gydF4y2Ba返回带有由一个或多个名称-值对参数指定的附加选项的分类边。例如，指定折叠数、解码模式或冗长级别。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

估计gydF4y2BakgydF4y2Ba倍交叉验证边缘gydF4y2Ba

打开生活的脚本gydF4y2Ba

载入费雪的虹膜数据集。指定预测器数据gydF4y2BaXgydF4y2Ba，响应数据gydF4y2BaYgydF4y2Ba，和班级的顺序gydF4y2BaYgydF4y2Ba．gydF4y2Ba

负载gydF4y2BafisheririsgydF4y2BaX =量;Y =分类(物种);classOrder =独特(Y);rng (1);gydF4y2Ba%的再现性gydF4y2Ba

使用支持向量机(SVM)二分类器训练和交叉验证ECOC模型。金宝app使用SVM模板标准化预测数据，并指定类的顺序。gydF4y2Ba

t = templateSVM (gydF4y2Ba“标准化”gydF4y2Ba1);CVMdl = fitcecoc (X, Y,gydF4y2Ba“CrossVal”gydF4y2Ba，gydF4y2Ba“上”gydF4y2Ba，gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“类名”gydF4y2Ba, classOrder);gydF4y2Ba

CVMdlgydF4y2Ba是一个gydF4y2BaClassificationPartitionedECOCgydF4y2Ba模型。默认情况下，该软件实现10倍交叉验证。属性可以指定不同的折叠数gydF4y2Ba“KFold”gydF4y2Ba名称-值对的论点。gydF4y2Ba

估计边缘的平均值。gydF4y2Ba

边缘= kfoldEdge (CVMdl)gydF4y2Ba

边缘= 0.4825gydF4y2Ba

或者，您可以通过指定名称-值对来获得每折叠边gydF4y2Ba“模式”,“个人”gydF4y2Ba在gydF4y2BakfoldEdgegydF4y2Ba．gydF4y2Ba

为每个交叉验证折叠显示单独的边gydF4y2Ba

打开生活的脚本gydF4y2Ba

分类边缘是分类器质量的相对度量。要确定哪些折叠效果不好，可以显示每个折叠的边缘。gydF4y2Ba

载入费雪的虹膜数据集。指定预测器数据gydF4y2BaXgydF4y2Ba，响应数据gydF4y2BaYgydF4y2Ba，和班级的顺序gydF4y2BaYgydF4y2Ba．gydF4y2Ba

负载gydF4y2BafisheririsgydF4y2BaX =量;Y =分类(物种);classOrder =独特(Y);rng (1);gydF4y2Ba%的再现性gydF4y2Ba

使用支持向量机二分类器训练ECOC模型。使用8倍交叉验证，使用SVM模板标准化预测器，并指定类顺序。gydF4y2Ba

t = templateSVM (gydF4y2Ba“标准化”gydF4y2Ba1);CVMdl = fitcecoc (X, Y,gydF4y2Ba“KFold”gydF4y2Ba8gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“类名”gydF4y2Ba, classOrder);gydF4y2Ba

估计每个折叠的分类边缘。gydF4y2Ba

边缘= kfoldEdge (CVMdl,gydF4y2Ba“模式”gydF4y2Ba，gydF4y2Ba“个人”gydF4y2Ba）gydF4y2Ba

边缘=gydF4y2Ba8×1gydF4y2Ba0.4791 0.4872 0.4260 0.5300 0.5064 0.4576 0.4860 0.4687gydF4y2Ba

这些边在褶皱上有相似的大小。表现较差的折叠相对于其他折叠的边缘较小。gydF4y2Ba

要返回性能良好的折叠的平均分类边，请指定gydF4y2Ba“折叠”gydF4y2Ba名称-值对的论点。gydF4y2Ba

通过比较交叉验证边缘选择ECOC模型特征gydF4y2Ba

打开生活的脚本gydF4y2Ba

分类器边缘测量分类器边缘的平均值。进行特征选择的一种方法是比较多个模型的交叉验证边。仅根据这个准则，具有最大边的分类器就是最好的分类器。gydF4y2Ba

载入费雪的虹膜数据集。指定预测器数据gydF4y2BaXgydF4y2Ba，响应数据gydF4y2BaYgydF4y2Ba，和班级的顺序gydF4y2BaYgydF4y2Ba．gydF4y2Ba

负载gydF4y2BafisheririsgydF4y2BaX =量;Y =分类(物种);classOrder =独特(Y);gydF4y2Ba%课堂秩序gydF4y2Barng (1);gydF4y2Ba%的再现性gydF4y2Ba

定义以下两个数据集。gydF4y2Ba

fullXgydF4y2Ba包含所有预测器。gydF4y2Ba
partXgydF4y2Ba包含花瓣的尺寸。gydF4y2Ba

fullX = X;partX = X (:, 3:4);gydF4y2Ba

对于每个预测器集，使用支持向量机二分类器训练和交叉验证ECOC模型。使用SVM模板标准化预测器，并指定类的顺序。gydF4y2Ba

t = templateSVM (gydF4y2Ba“标准化”gydF4y2Ba1);CVMdl = fitcecoc (fullX YgydF4y2Ba“CrossVal”gydF4y2Ba，gydF4y2Ba“上”gydF4y2Ba，gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba．..gydF4y2Ba“类名”gydF4y2Ba, classOrder);PCVMdl = fitcecoc (partX YgydF4y2Ba“CrossVal”gydF4y2Ba，gydF4y2Ba“上”gydF4y2Ba，gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba．..gydF4y2Ba“类名”gydF4y2Ba, classOrder);gydF4y2Ba

CVMdlgydF4y2Ba和gydF4y2BaPCVMdlgydF4y2Ba是gydF4y2BaClassificationPartitionedECOCgydF4y2Ba模型。默认情况下，该软件实现10倍交叉验证。gydF4y2Ba

估计每个分类器的边缘。gydF4y2Ba

fullEdge = kfoldEdge (CVMdl)gydF4y2Ba

fullEdge = 0.4825gydF4y2Ba

partEdge = kfoldEdge (PCVMdl)gydF4y2Ba

partEdge = 0.4951gydF4y2Ba

这两种型号有可比性。gydF4y2Ba

输入参数gydF4y2Ba

全部折叠gydF4y2Ba

`CVMdlgydF4y2Ba`- - - - - -gydF4y2Ba旨在ECOC模型gydF4y2Ba
`ClassificationPartitionedECOCgydF4y2Ba`模型gydF4y2Ba

交叉验证ECOC模型，指定为gydF4y2BaClassificationPartitionedECOCgydF4y2Ba模型。您可以创建gydF4y2BaClassificationPartitionedECOCgydF4y2Ba模型有两种方式:gydF4y2Ba

通过训练有素的ECOC模式(gydF4y2BaClassificationECOCgydF4y2Ba)gydF4y2BacrossvalgydF4y2Ba．gydF4y2Ba
培训ECOC模型使用gydF4y2BafitcecocgydF4y2Ba并指定以下任意一个交叉验证名称-值对参数:gydF4y2Ba“CrossVal”gydF4y2Ba，gydF4y2Ba“CVPartition”gydF4y2Ba，gydF4y2Ba“坚持”gydF4y2Ba，gydF4y2Ba“KFold”gydF4y2Ba,或gydF4y2Ba“Leaveout”gydF4y2Ba．gydF4y2Ba

名称-值参数gydF4y2Ba

指定可选的逗号分隔的对gydF4y2Ba名称,值gydF4y2Ba参数。gydF4y2Ba的名字gydF4y2Ba参数名和gydF4y2Ba价值gydF4y2Ba为对应值。gydF4y2Ba的名字gydF4y2Ba必须出现在引号内。可以以任意顺序指定多个名称和值对参数gydF4y2BaName1, Value1,…,的家gydF4y2Ba．gydF4y2Ba

例子:gydF4y2BakfoldEdge (CVMdl BinaryLoss,铰链)gydF4y2Ba指定gydF4y2Ba“枢纽”gydF4y2Ba为二元学习者损失函数。gydF4y2Ba

`BinaryLossgydF4y2Ba`- - - - - -gydF4y2Ba二元学习者损失函数gydF4y2Ba
`“汉明”gydF4y2Ba`|gydF4y2Ba`“线性”gydF4y2Ba`|gydF4y2Ba`分对数的gydF4y2Ba`|gydF4y2Ba`“指数”gydF4y2Ba`|gydF4y2Ba`“binodeviance”gydF4y2Ba`|gydF4y2Ba`“枢纽”gydF4y2Ba`|gydF4y2Ba`“二次”gydF4y2Ba`|gydF4y2Ba函数处理gydF4y2Ba

二元学习器损失函数，指定为逗号分隔对，由gydF4y2Ba“BinaryLoss”gydF4y2Ba以及内置的损失函数名或函数句柄。gydF4y2Ba

该表描述了内置函数，其中gydF4y2BaygydF4y2Ba_jgydF4y2Ba是一个特定二元学习者的类标签(在集合{- 1,1,0}中)，gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba分数是否供观察gydF4y2BajgydF4y2Ba,gydF4y2BaggydF4y2Ba（gydF4y2BaygydF4y2Ba_jgydF4y2Ba，gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba)为二进制损耗公式。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba	分数域gydF4y2Ba	ggydF4y2Ba（gydF4y2BaygydF4y2Ba_jgydF4y2Ba，gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba）gydF4y2Ba
`“binodeviance”gydF4y2Ba`	二项异常gydF4y2Ba	(-∞∞)gydF4y2Ba	日志(1 + exp (2gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba日志(2)])]/ [2gydF4y2Ba
`“指数”gydF4y2Ba`	指数gydF4y2Ba	(-∞∞)gydF4y2Ba	exp (-gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba) / 2gydF4y2Ba
`“汉明”gydF4y2Ba`	汉明gydF4y2Ba	[0, 1]或(-∞,∞)gydF4y2Ba	[1 -符号(gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba) / 2gydF4y2Ba
`“枢纽”gydF4y2Ba`	铰链gydF4y2Ba	(-∞∞)gydF4y2Ba	马克斯(0,1 -gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba) / 2gydF4y2Ba
`“线性”gydF4y2Ba`	线性gydF4y2Ba	(-∞∞)gydF4y2Ba	(1 -gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba) / 2gydF4y2Ba
`分对数的gydF4y2Ba`	物流gydF4y2Ba	(-∞∞)gydF4y2Ba	日志[1 + exp (-gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba日志(2)])]/ [2gydF4y2Ba
`“二次”gydF4y2Ba`	二次gydF4y2Ba	[0,1]gydF4y2Ba	(1 -gydF4y2BaygydF4y2Ba_jgydF4y2Ba（2gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba- 1))gydF4y2Ba^2gydF4y2Ba／2gydF4y2Ba

该软件使二进制损失正常化，因此损失是0.5时gydF4y2BaygydF4y2Ba_jgydF4y2Ba= 0。此外，软件计算每个类的平均二进制损失。gydF4y2Ba

例如，对于自定义二进制损耗函数gydF4y2BacustomFunctiongydF4y2Ba，指定其函数句柄gydF4y2BaBinaryLoss, @customFunctiongydF4y2Ba．gydF4y2Ba
customFunctiongydF4y2Ba这种形式:gydF4y2Ba
```
布劳斯= customFunction (M s)gydF4y2Ba
```
地点:gydF4y2Ba
- 米gydF4y2Ba是gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BalgydF4y2Ba存储在gydF4y2BaMdl。CodingMatrixgydF4y2Ba．gydF4y2Ba
- 年代gydF4y2Ba是1 -gydF4y2BalgydF4y2Ba分类分数的行向量。gydF4y2Ba
- 布劳斯gydF4y2Ba是分类损失。这个标量集合了特定班级中每个学习者的二进制损失。例如，您可以使用平均二进制损失来汇总每个类的学习者的损失。gydF4y2Ba
- KgydF4y2Ba为类数。gydF4y2Ba
- lgydF4y2Ba是二元学习者的数量。gydF4y2Ba
有关传递自定义二进制损耗函数的示例，请参见gydF4y2Ba用自定义二元损耗函数预测ECOC模型的试样标签gydF4y2Ba．gydF4y2Ba

默认的gydF4y2BaBinaryLossgydF4y2Ba值取决于二进制学习者返回的分数范围。该表描述了一些默认值gydF4y2BaBinaryLossgydF4y2Ba基于给定假设的值。gydF4y2Ba

假设gydF4y2Ba	默认值gydF4y2Ba
所有的二进制学习器都是支持向量机或支持向量机的线性或核分类模型。gydF4y2Ba	`“枢纽”gydF4y2Ba`
所有的二元学习者都是由gydF4y2Ba`AdaboostM1gydF4y2Ba`或gydF4y2Ba`GentleBoostgydF4y2Ba`．gydF4y2Ba	`“指数”gydF4y2Ba`
所有的二元学习者都是由gydF4y2Ba`LogitBoostgydF4y2Ba`．gydF4y2Ba	`“binodeviance”gydF4y2Ba`
所有二元学习者都是logistic回归学习者的线性或核分类模型。或者，你指定通过设置来预测类的后验概率gydF4y2Ba`“FitPosterior”,真的gydF4y2Ba`在gydF4y2Ba`fitcecocgydF4y2Ba`．gydF4y2Ba	`“二次”gydF4y2Ba`

若要检查默认值，请使用点符号来显示gydF4y2BaBinaryLossgydF4y2Ba属性的训练模型在命令行。gydF4y2Ba

例子:gydF4y2Ba“BinaryLoss”、“binodeviance”gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba|gydF4y2Ba字符串gydF4y2Ba|gydF4y2Bafunction_handlegydF4y2Ba

`解码gydF4y2Ba`- - - - - -gydF4y2Ba解码方案gydF4y2Ba
`“lossweighted”gydF4y2Ba`(默认)|gydF4y2Ba`“lossbased”gydF4y2Ba`

聚合二进制损失的解码方案，指定为由。组成的逗号分隔对gydF4y2Ba“解码”gydF4y2Ba和gydF4y2Ba“lossweighted”gydF4y2Ba或gydF4y2Ba“lossbased”gydF4y2Ba．有关更多信息，请参见gydF4y2Ba二元损失gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“解码”、“lossbased”gydF4y2Ba

`折叠gydF4y2Ba`- - - - - -gydF4y2Ba预测褶皱指数gydF4y2Ba
`1: CVMdl。KFoldgydF4y2Ba`(默认)|gydF4y2Ba正整数的数字向量gydF4y2Ba

预测折叠索引，指定为逗号分隔对，由gydF4y2Ba“折叠”gydF4y2Ba和一个正整数的数字向量。的元素gydF4y2Ba折叠gydF4y2Ba一定在范围之内吗gydF4y2Ba1gydF4y2Ba来gydF4y2BaCVMdl。KFoldgydF4y2Ba．gydF4y2Ba

该软件只使用在gydF4y2Ba折叠gydF4y2Ba为预测。gydF4y2Ba

例子:gydF4y2Ba“折叠”,[1 4 10]gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`模式gydF4y2Ba`- - - - - -gydF4y2Ba输出聚合级别gydF4y2Ba
`“平均”gydF4y2Ba`(默认)|gydF4y2Ba`“个人”gydF4y2Ba`

输出的聚合级别，指定为逗号分隔的对，由gydF4y2Ba“模式”gydF4y2Ba和gydF4y2Ba“平均”gydF4y2Ba或gydF4y2Ba“个人”gydF4y2Ba．gydF4y2Ba

该表描述了这些值。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“平均”gydF4y2Ba`	输出是所有折叠的标量平均值。gydF4y2Ba
`“个人”gydF4y2Ba`	输出是一个长度向量gydF4y2BakgydF4y2Ba每个折叠包含一个值，其中gydF4y2BakgydF4y2Ba为折叠次数。gydF4y2Ba

例子:gydF4y2Ba“模式”,“个人”gydF4y2Ba

`选项gydF4y2Ba`- - - - - -gydF4y2Ba估计选项gydF4y2Ba
`［］gydF4y2Ba`(默认)|gydF4y2Ba返回的结构数组gydF4y2Ba`statsetgydF4y2Ba`

估计选项，指定为逗号分隔的对，由gydF4y2Ba“选项”gydF4y2Ba和返回的结构数组gydF4y2BastatsetgydF4y2Ba．gydF4y2Ba

要调用并行计算:gydF4y2Ba

您需要一个并行计算工具箱™许可证。gydF4y2Ba
指定gydF4y2Ba“选项”,statset (UseParallel,真的)gydF4y2Ba．gydF4y2Ba

`详细的gydF4y2Ba`- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba`1gydF4y2Ba`

详细程度，指定为逗号分隔对，由gydF4y2Ba“详细”gydF4y2Ba和gydF4y2Ba0gydF4y2Ba或gydF4y2Ba1gydF4y2Ba．gydF4y2Ba详细的gydF4y2Ba控制软件在命令窗口中显示的诊断消息的数量。gydF4y2Ba

如果gydF4y2Ba详细的gydF4y2Ba是gydF4y2Ba0gydF4y2Ba，则该软件不会显示诊断消息。否则，软件将显示诊断消息。gydF4y2Ba

例子:gydF4y2Ba“详细”,1gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

输出参数gydF4y2Ba

全部折叠gydF4y2Ba

`边缘gydF4y2Ba`——分类边缘gydF4y2Ba
数字标量|数字列向量gydF4y2Ba

分类的优势gydF4y2Ba，作为数字标量或数字列向量返回。gydF4y2Ba

如果gydF4y2Ba模式gydF4y2Ba是gydF4y2Ba“平均”gydF4y2Ba,然后gydF4y2Ba边缘gydF4y2Ba为所有折线上的平均分类边。否则,gydF4y2Ba边缘gydF4y2Ba是一个gydF4y2BakgydF4y2Ba-乘1数字列向量，包含每个折叠的分类边，其中gydF4y2BakgydF4y2Ba为折叠次数。gydF4y2Ba

更多关于gydF4y2Ba

全部折叠gydF4y2Ba

分类的优势gydF4y2Ba

的gydF4y2Ba分类的优势gydF4y2Ba为分类边界的加权平均值。gydF4y2Ba

在多个分类器中进行选择的一种方法是选择产生最大边的分类器，例如执行特征选择。gydF4y2Ba

分类保证金gydF4y2Ba

的gydF4y2Ba分类保证金gydF4y2Ba为每次观察真实类的负损失与假类中最大负损失的差值。如果边际值在同一尺度上，则作为分类置信度的衡量标准。在众多分类公司中，那些利润率更高的公司表现更好。gydF4y2Ba

二元损失gydF4y2Ba

一个gydF4y2Ba二元损失gydF4y2Ba是类和分类分数的函数，它决定二元学习者如何将观察结果分类到类中。gydF4y2Ba

假设如下:gydF4y2Ba

米gydF4y2Ba_kjgydF4y2Ba是元素(gydF4y2BakgydF4y2Ba，gydF4y2BajgydF4y2Ba)的编码设计矩阵gydF4y2Ba米gydF4y2Ba(即与类对应的代码gydF4y2BakgydF4y2Ba二进制的学习者gydF4y2BajgydF4y2Ba)。gydF4y2Ba
年代gydF4y2Ba_jgydF4y2Ba二元学习者的分数是多少gydF4y2BajgydF4y2Ba对于一个观察。gydF4y2Ba
ggydF4y2Ba为二进制损失函数。gydF4y2Ba
$\overset{＾gydF4y2Ba}{kgydF4y2Ba}$ 是观测的预测类。gydF4y2Ba

在gydF4y2Ba通过解码gydF4y2Ba(Escalera等。)gydF4y2Ba，对二进制学习者产生最小二进制损失和的类决定了观测的预测类，即，gydF4y2Ba

$\overset{＾gydF4y2Ba}{kgydF4y2Ba} ＝gydF4y2Ba \underset{kgydF4y2Ba}{argmingydF4y2Ba} {\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{lgydF4y2Ba} |gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} |gydF4y2Ba ggydF4y2Ba （gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} ，gydF4y2Ba {年代gydF4y2Ba}_{jgydF4y2Ba} ）gydF4y2Ba ．gydF4y2Ba$

在gydF4y2Baloss-weighted解码gydF4y2Ba(Escalera等。)gydF4y2Ba，在二进制学习者上产生二进制损失最小平均的班级决定了观测的预测班级，即，gydF4y2Ba

$\overset{＾gydF4y2Ba}{kgydF4y2Ba} ＝gydF4y2Ba \underset{kgydF4y2Ba}{argmingydF4y2Ba} \frac{{\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{lgydF4y2Ba} |gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} |gydF4y2Ba ggydF4y2Ba （gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} ，gydF4y2Ba {年代gydF4y2Ba}_{jgydF4y2Ba} ）gydF4y2Ba}{{\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{lgydF4y2Ba} |gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} |gydF4y2Ba} ．gydF4y2Ba$

Allwein et al。gydF4y2Ba提出损耗加权译码通过将所有类的损耗值保持在相同的动态范围内来提高分类精度。gydF4y2Ba

该表总结了支持的损耗函数，其中金宝appgydF4y2BaygydF4y2Ba_jgydF4y2Ba是一个特定二元学习者的类标签(在集合{- 1,1,0}中)，gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba分数是否供观察gydF4y2BajgydF4y2Ba,gydF4y2BaggydF4y2Ba（gydF4y2BaygydF4y2Ba_jgydF4y2Ba，gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba)。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba	分数域gydF4y2Ba	ggydF4y2Ba（gydF4y2BaygydF4y2Ba_jgydF4y2Ba，gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba）gydF4y2Ba
`“binodeviance”gydF4y2Ba`	二项异常gydF4y2Ba	(-∞∞)gydF4y2Ba	日志(1 + exp (2gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba日志(2)])]/ [2gydF4y2Ba
`“指数”gydF4y2Ba`	指数gydF4y2Ba	(-∞∞)gydF4y2Ba	exp (-gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba) / 2gydF4y2Ba
`“汉明”gydF4y2Ba`	汉明gydF4y2Ba	[0, 1]或(-∞,∞)gydF4y2Ba	[1 -符号(gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba) / 2gydF4y2Ba
`“枢纽”gydF4y2Ba`	铰链gydF4y2Ba	(-∞∞)gydF4y2Ba	马克斯(0,1 -gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba) / 2gydF4y2Ba
`“线性”gydF4y2Ba`	线性gydF4y2Ba	(-∞∞)gydF4y2Ba	(1 -gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba) / 2gydF4y2Ba
`分对数的gydF4y2Ba`	物流gydF4y2Ba	(-∞∞)gydF4y2Ba	日志[1 + exp (-gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba日志(2)])]/ [2gydF4y2Ba
`“二次”gydF4y2Ba`	二次gydF4y2Ba	[0,1]gydF4y2Ba	(1 -gydF4y2BaygydF4y2Ba_jgydF4y2Ba（2gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba- 1))gydF4y2Ba^2gydF4y2Ba／2gydF4y2Ba

该软件使二进制损失正常化，当损失是0.5gydF4y2BaygydF4y2Ba_jgydF4y2Ba= 0，并使用二进制学习者的平均值进行聚合gydF4y2Ba(Allwein等。)gydF4y2Ba．gydF4y2Ba

不要将二进制损失与总体分类损失(由gydF4y2Ba“LossFun”gydF4y2Ba的名称-值对参数gydF4y2Ba损失gydF4y2Ba和gydF4y2Ba预测gydF4y2Ba对象函数)，它衡量ECOC分类器作为一个整体的执行情况。gydF4y2Ba

参考文献gydF4y2Ba

艾尔温，E.夏皮尔，Y.辛格。《将多类减少为二进制:一种统一的保证金分类方法》。gydF4y2Ba机器学习研究杂志gydF4y2Ba．2000年第1卷，113-141页。gydF4y2Ba

Pujol, S. Escalera, S. O. Pujol, P. Radeva。《论三元纠错输出码的译码过程》。gydF4y2Ba模式分析与机器智能学报gydF4y2Ba．2010年第32卷第7期120-134页。gydF4y2Ba

Pujol, S. Escalera, S. O. Pujol, P. Radeva。用于纠错输出码稀疏设计的三元码的可分性。gydF4y2Ba模式RecogngydF4y2Ba．2009年第30卷第3期285-297页。gydF4y2Ba

扩展功能gydF4y2Ba

自动并行支持金宝appgydF4y2Ba
使用并行计算工具箱™自动并行运行计算，加速代码。gydF4y2Ba

要并行运行，请指定gydF4y2Ba“选项”gydF4y2Ba调用此函数时的名称-值参数，并设置gydF4y2Ba“UseParallel”gydF4y2Ba字段的选项结构gydF4y2Ba真正的gydF4y2Ba使用gydF4y2BastatsetgydF4y2Ba．gydF4y2Ba

例如:gydF4y2Ba“选项”,statset (UseParallel,真的)gydF4y2Ba

有关并行计算的更多信息，请参见gydF4y2Ba运行MATLAB函数与自动并行支持金宝appgydF4y2Ba(并行计算工具箱)gydF4y2Ba．gydF4y2Ba

GPU数组gydF4y2Ba
使用并行计算工具箱™在图形处理单元(GPU)上运行加速代码。gydF4y2Ba

该功能完全支持GPU阵列。金宝app有关更多信息，请参见gydF4y2Ba在GPU上运行MATLAB函数gydF4y2Ba(并行计算工具箱)gydF4y2Ba．gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

介绍了R2014bgydF4y2Ba

kfoldEdgegydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

估计gydF4y2BakgydF4y2Ba倍交叉验证边缘gydF4y2Ba

为每个交叉验证折叠显示单独的边gydF4y2Ba

通过比较交叉验证边缘选择ECOC模型特征gydF4y2Ba

输入参数gydF4y2Ba

`CVMdlgydF4y2Ba`- - - - - -gydF4y2Ba旨在ECOC模型gydF4y2Ba
`ClassificationPartitionedECOCgydF4y2Ba`模型gydF4y2Ba

名称-值参数gydF4y2Ba

`解码gydF4y2Ba`- - - - - -gydF4y2Ba解码方案gydF4y2Ba
`“lossweighted”gydF4y2Ba`(默认)|gydF4y2Ba`“lossbased”gydF4y2Ba`

`折叠gydF4y2Ba`- - - - - -gydF4y2Ba预测褶皱指数gydF4y2Ba
`1: CVMdl。KFoldgydF4y2Ba`(默认)|gydF4y2Ba正整数的数字向量gydF4y2Ba

`模式gydF4y2Ba`- - - - - -gydF4y2Ba输出聚合级别gydF4y2Ba
`“平均”gydF4y2Ba`(默认)|gydF4y2Ba`“个人”gydF4y2Ba`

`选项gydF4y2Ba`- - - - - -gydF4y2Ba估计选项gydF4y2Ba
`［］gydF4y2Ba`(默认)|gydF4y2Ba返回的结构数组gydF4y2Ba`statsetgydF4y2Ba`

`详细的gydF4y2Ba`- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba`1gydF4y2Ba`

输出参数gydF4y2Ba

`边缘gydF4y2Ba`——分类边缘gydF4y2Ba
数字标量|数字列向量gydF4y2Ba

更多关于gydF4y2Ba

分类的优势gydF4y2Ba

分类保证金gydF4y2Ba

二元损失gydF4y2Ba

参考文献gydF4y2Ba

扩展功能gydF4y2Ba

自动并行支持金宝appgydF4y2Ba
使用并行计算工具箱™自动并行运行计算，加速代码。gydF4y2Ba

GPU数组gydF4y2Ba
使用并行计算工具箱™在图形处理单元(GPU)上运行加速代码。gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

金宝app

掌握机器学习:一步一步的指导与MATLABgydF4y2Ba

kfoldEdgegydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

估计gydF4y2BakgydF4y2Ba倍交叉验证边缘gydF4y2Ba

为每个交叉验证折叠显示单独的边gydF4y2Ba

通过比较交叉验证边缘选择ECOC模型特征gydF4y2Ba

输入参数gydF4y2Ba

CVMdlgydF4y2Ba- - - - - -gydF4y2Ba旨在ECOC模型gydF4y2BaClassificationPartitionedECOCgydF4y2Ba模型gydF4y2Ba

名称-值参数gydF4y2Ba

解码gydF4y2Ba- - - - - -gydF4y2Ba解码方案gydF4y2Ba“lossweighted”gydF4y2Ba(默认)|gydF4y2Ba“lossbased”gydF4y2Ba

折叠gydF4y2Ba- - - - - -gydF4y2Ba预测褶皱指数gydF4y2Ba1: CVMdl。KFoldgydF4y2Ba(默认)|gydF4y2Ba正整数的数字向量gydF4y2Ba

模式gydF4y2Ba- - - - - -gydF4y2Ba输出聚合级别gydF4y2Ba“平均”gydF4y2Ba(默认)|gydF4y2Ba“个人”gydF4y2Ba

选项gydF4y2Ba- - - - - -gydF4y2Ba估计选项gydF4y2Ba［］gydF4y2Ba(默认)|gydF4y2Ba返回的结构数组gydF4y2BastatsetgydF4y2Ba

详细的gydF4y2Ba- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba0gydF4y2Ba(默认)|gydF4y2Ba1gydF4y2Ba

输出参数gydF4y2Ba

边缘gydF4y2Ba——分类边缘gydF4y2Ba数字标量|数字列向量gydF4y2Ba

更多关于gydF4y2Ba

分类的优势gydF4y2Ba

分类保证金gydF4y2Ba

二元损失gydF4y2Ba

参考文献gydF4y2Ba

扩展功能gydF4y2Ba

自动并行支持金宝appgydF4y2Ba使用并行计算工具箱™自动并行运行计算，加速代码。gydF4y2Ba

GPU数组gydF4y2Ba使用并行计算工具箱™在图形处理单元(GPU)上运行加速代码。gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

金宝app

掌握机器学习:一步一步的指导与MATLABgydF4y2Ba

`CVMdlgydF4y2Ba`- - - - - -gydF4y2Ba旨在ECOC模型gydF4y2Ba
`ClassificationPartitionedECOCgydF4y2Ba`模型gydF4y2Ba

`解码gydF4y2Ba`- - - - - -gydF4y2Ba解码方案gydF4y2Ba
`“lossweighted”gydF4y2Ba`(默认)|gydF4y2Ba`“lossbased”gydF4y2Ba`

`折叠gydF4y2Ba`- - - - - -gydF4y2Ba预测褶皱指数gydF4y2Ba
`1: CVMdl。KFoldgydF4y2Ba`(默认)|gydF4y2Ba正整数的数字向量gydF4y2Ba

`模式gydF4y2Ba`- - - - - -gydF4y2Ba输出聚合级别gydF4y2Ba
`“平均”gydF4y2Ba`(默认)|gydF4y2Ba`“个人”gydF4y2Ba`

`选项gydF4y2Ba`- - - - - -gydF4y2Ba估计选项gydF4y2Ba
`［］gydF4y2Ba`(默认)|gydF4y2Ba返回的结构数组gydF4y2Ba`statsetgydF4y2Ba`

`详细的gydF4y2Ba`- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba`1gydF4y2Ba`

`边缘gydF4y2Ba`——分类边缘gydF4y2Ba
数字标量|数字列向量gydF4y2Ba

自动并行支持金宝appgydF4y2Ba
使用并行计算工具箱™自动并行运行计算，加速代码。gydF4y2Ba

GPU数组gydF4y2Ba
使用并行计算工具箱™在图形处理单元(GPU)上运行加速代码。gydF4y2Ba