kfoldPredictgydF4y2Ba

在交叉验证的ECOC模型中对观测结果进行分类gydF4y2Ba

折叠所有页面gydF4y2Ba

语法gydF4y2Ba

标签= kfoldPredict (CVMdl)gydF4y2Ba

标签= kfoldPredict (CVMdl、名称、值)gydF4y2Ba

(标签、NegLoss PBScore) = kfoldPredict (gydF4y2Ba＿＿＿gydF4y2Ba）gydF4y2Ba

[标签、NegLoss PBScore,后]= kfoldPredict (gydF4y2Ba＿＿＿gydF4y2Ba）gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

标签gydF4y2Ba= kfoldPredict (gydF4y2BaCVMdlgydF4y2Ba）gydF4y2Ba返回由交叉验证的ECOC模型预测的类标签(gydF4y2BaClassificationPartitionedECOCgydF4y2Ba）gydF4y2BaCVMdlgydF4y2Ba．对于每一个褶皱,gydF4y2BakfoldPredictgydF4y2Ba预测在训练过程中观察到的类别标签。gydF4y2BaCVMdl。XgydF4y2Ba包含两组观察结果。gydF4y2Ba

该软件通过将观测分配到产生最大负平均二进制损失(或，等价地，最小平均二进制损失)的类来预测观测的分类。gydF4y2Ba

例子gydF4y2Ba

标签gydF4y2Ba= kfoldPredict (gydF4y2BaCVMdlgydF4y2Ba，gydF4y2Ba名称,值gydF4y2Ba）gydF4y2Ba返回包含由一个或多个名称-值对参数指定的附加选项的预测类标签。例如，指定后验概率估计方法、解码方案或冗长级别。gydF4y2Ba

例子gydF4y2Ba

［gydF4y2Ba标签gydF4y2Ba，gydF4y2BaNegLossgydF4y2Ba，gydF4y2BaPBScoregydF4y2Ba) = kfoldPredict (gydF4y2Ba＿＿＿gydF4y2Ba）gydF4y2Ba另外，返回每个类的平均二进制损失的负数(gydF4y2BaNegLossgydF4y2Ba)，用于验证倍数观察和正级评分(gydF4y2BaPBScoregydF4y2Ba)的验证折叠观察，由每个二元学习者分类，使用任何输入参数组合在前面的语法。gydF4y2Ba

如果编码矩阵随折叠而变化(即编码方案为gydF4y2BasparserandomgydF4y2Ba或gydF4y2BadenserandomgydF4y2Ba),然后gydF4y2BaPBScoregydF4y2Ba是空的(gydF4y2Ba［］gydF4y2Ba）.gydF4y2Ba

例子gydF4y2Ba

［gydF4y2Ba标签gydF4y2Ba，gydF4y2BaNegLossgydF4y2Ba，gydF4y2BaPBScoregydF4y2Ba，gydF4y2Ba后gydF4y2Ba) = kfoldPredict (gydF4y2Ba＿＿＿gydF4y2Ba）gydF4y2Ba另外，返回验证折叠观测的后验类别概率估计(gydF4y2Ba后gydF4y2Ba）.gydF4y2Ba

要获得后验类别概率，必须设置gydF4y2Ba“FitPosterior”,1gydF4y2Ba在训练交叉验证ECOC模型时使用gydF4y2BafitcecocgydF4y2Ba．否则,gydF4y2BakfoldPredictgydF4y2Ba抛出一个错误。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

预测gydF4y2BakgydF4y2Ba倍交叉验证标签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

预测验证折叠标签。打印真实标签和预测标签的随机子集。gydF4y2Ba

标签= kfoldPredict (CVMdl);idx = randsample(元素个数(标签),10);表(Y (idx)、标签(idx),gydF4y2Ba…gydF4y2Ba“VariableNames”gydF4y2Ba，{gydF4y2Ba“TrueLabels”gydF4y2Ba，gydF4y2Ba“PredictedLabels”gydF4y2Ba}）gydF4y2Ba

ans =gydF4y2Ba10×2表gydF4y2Ba真实标签预测标签__________ _______________ setosa setosa versicolor versicolor setosa setosa vericolor versicolor versicolor setosa setosa vericolor versicolor setosa setosa vericolor versicolor setosa setosagydF4y2Ba

CVMdlgydF4y2Ba用指标正确地标记验证倍数观测值gydF4y2BaidxgydF4y2Ba．gydF4y2Ba

使用自定义二进制损耗函数预测交叉验证标签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);gydF4y2Ba%课堂秩序gydF4y2BaK =元素个数(classOrder);gydF4y2Ba%类数gydF4y2Barng (1);gydF4y2Ba%的再现性gydF4y2Ba

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

支持向量机的分数被标记为从观测到决策边界的距离。因此，域是gydF4y2Ba $（gydF4y2Ba -gydF4y2Ba \inftygydF4y2Ba ，gydF4y2Ba \inftygydF4y2Ba ）gydF4y2Ba$ ．创建一个自定义二进制损失函数:gydF4y2Ba

绘制编码设计矩阵(gydF4y2Ba米gydF4y2Ba)和正向分类得分(gydF4y2Ba年代gydF4y2Ba)来计算每次观察的二进制损失gydF4y2Ba
使用线性损失gydF4y2Ba
使用中位数聚合二进制学习者的损失gydF4y2Ba

您可以为二进制损耗函数创建一个单独的函数，然后将其保存在MATLAB®路径上。或者，您可以指定匿名二进制丢失函数。在本例中，创建一个函数句柄(gydF4y2BacustomBLgydF4y2Ba)的匿名二进制损失函数。gydF4y2Ba

customBL = @(M,s)nanmedian(1 - bsxfun(@times,M,s)，2)/2;gydF4y2Ba

预测交叉验证标签并估计每个类的中位数二进制损失。为一组随机的10个验证倍数的观察结果，打印每个类的负二进制损失的中位数。gydF4y2Ba

[标签,NegLoss] = kfoldPredict (CVMdlgydF4y2Ba“BinaryLoss”gydF4y2Ba, customBL);idx = randsample(元素个数(标签),10);classOrdergydF4y2Ba

classOrder =gydF4y2Ba3 x1分类gydF4y2Basetosa杂色的virginicagydF4y2Ba

表(Y (idx)、标签(idx) NegLoss (idx:)gydF4y2Ba“VariableNames”gydF4y2Ba，gydF4y2Ba…gydF4y2Ba｛gydF4y2Ba“TrueLabel”gydF4y2Ba，gydF4y2Ba“PredictedLabel”gydF4y2Ba，gydF4y2Ba“NegLoss”gydF4y2Ba}）gydF4y2Ba

ans =gydF4y2Ba10×3表gydF4y2BaTrueLabel PredictedLabel NegLoss ________________________ _________________________________ setosa versiccolor 0.37132 2.1288 -4.0001 versiccolor -1.2167 0.36696 -0.65031 setosa versiccolor 0.23923 2.0796 -3.8188 virginica -1.9151 -0.19953 0.61467 versiccolor -1.3746 0.45534 -0.58077 setosa versiccolor 0.20073 2.2774维珍-1.7666 -0.13463 0.40122 setosa versicolor 0.19994 1.9111 -3.6111 setosa versicolor 0.16112 1.9683 -3.6295gydF4y2Ba

列的顺序对应于的元素gydF4y2BaclassOrdergydF4y2Ba．软件根据最大负损失预测标签。结果表明，线性损失的中位数可能不如其他损失的中位数。gydF4y2Ba

估计交叉验证后验概率gydF4y2Ba

打开生活的脚本gydF4y2Ba

载入费雪的虹膜数据集。使用花瓣的尺寸作为预测数据gydF4y2BaXgydF4y2Ba．指定响应数据gydF4y2BaYgydF4y2Ba和班级的顺序gydF4y2BaYgydF4y2Ba．gydF4y2Ba

负载gydF4y2BafisheririsgydF4y2BaX =量(:,3:4);Y =分类(物种);classOrder =独特(Y);rng (1);gydF4y2Ba%的再现性gydF4y2Ba

创建一个支持向量机模板。标准化预测器，并指定高斯核。gydF4y2Ba

t = templateSVM (gydF4y2Ba“标准化”gydF4y2Ba，1，gydF4y2Ba“KernelFunction”gydF4y2Ba，gydF4y2Ba“高斯”gydF4y2Ba）;gydF4y2Ba

tgydF4y2Ba是一个支持向量机模板。它的大部分属性都是空的。在训练ECOC分类器时，软件将适用属性设置为默认值。gydF4y2Ba

使用支持向量机模板训练和交叉验证ECOC分类器。将分类分数转换为分类后验概率(返回gydF4y2BakfoldPredictgydF4y2Ba)使用gydF4y2Ba“FitPosterior”gydF4y2Ba名称-值对的论点。指定类顺序。gydF4y2Ba

CVMdl = fitcecoc (X, Y,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“CrossVal”gydF4y2Ba，gydF4y2Ba“上”gydF4y2Ba，gydF4y2Ba“FitPosterior”gydF4y2Ba,真的,gydF4y2Ba…gydF4y2Ba“类名”gydF4y2Ba, classOrder);gydF4y2Ba

CVMdlgydF4y2Ba是一个gydF4y2BaClassificationPartitionedECOCgydF4y2Ba模型。默认情况下，该软件使用10倍交叉验证。gydF4y2Ba

预测验证折叠类的后验概率。对Kullback-Leibler算法使用10个随机初始值。gydF4y2Ba

[标签,~,~,后]= kfoldPredict (CVMdl,gydF4y2Ba“NumKLInitializations”gydF4y2Ba10);gydF4y2Ba

该软件将观察结果分配给产生最小平均二进制损失的班级。由于所有的二进制学习器都计算后验概率，因此二进制损失函数为gydF4y2Ba二次gydF4y2Ba．gydF4y2Ba

显示一组随机的结果。gydF4y2Ba

idx = randsample(大小(X, 1), 10);CVMdl。一会gydF4y2Ba

ans =gydF4y2Ba3 x1分类gydF4y2Basetosa杂色的virginicagydF4y2Ba

表(Y (idx)、标签(idx)、后(idx:)gydF4y2Ba…gydF4y2Ba“VariableNames”gydF4y2Ba，{gydF4y2Ba“TrueLabel”gydF4y2Ba，gydF4y2Ba“PredLabel”gydF4y2Ba，gydF4y2Ba“后”gydF4y2Ba}）gydF4y2Ba

ans =gydF4y2Ba10×3表gydF4y2BaTrueLabel PredLabel Posterior ____________________ ______________________________________ versicolor versicolor 0.0086428 0.98242 0.0089327 versicolor setosa setosa 0.999 0.00022836 0.00076885 versicolor versicolor 2.2194e-14 0.98915 0.010848 virginica 0.012318 0.012925 0.97476 virginica virginica0.0015573 0.0015639 0.99688美国小维珍0.0042896 0.0043557 0.99135美国小维珍0.999 0.00028329 0.00071382美国小维珍0.0094625 0.0098128 0.98072美国小维珍0.999 0.00013559 0.00086195gydF4y2Ba

的列gydF4y2Ba后gydF4y2Ba对应于的类序gydF4y2BaCVMdl。一会gydF4y2Ba．gydF4y2Ba

用并行计算估计交叉验证后验概率gydF4y2Ba

这个示例使用:gydF4y2Ba

打开生活的脚本gydF4y2Ba

训练多类ECOC模型，并用并行计算估计后验概率。gydF4y2Ba

加载gydF4y2Ba心律失常gydF4y2Ba数据集。检查响应数据gydF4y2BaYgydF4y2Ba．gydF4y2Ba

负载gydF4y2Ba心律失常gydF4y2BaY =分类(Y);汇总(Y)gydF4y2Ba

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%gydF4y2Ba

n =元素个数(Y);K =元素个数(独特(Y));gydF4y2Ba

有几个类没有显示在数据中，而许多其他类的相对频率较低。gydF4y2Ba

指定一个使用了GentleBoost方法的集成学习模板和50个弱分类树学习器。gydF4y2Ba

t = templateEnsemble (gydF4y2Ba“GentleBoost”gydF4y2Ba, 50岁,gydF4y2Ba“树”gydF4y2Ba）;gydF4y2Ba

tgydF4y2Ba是模板对象。大多数选项为空(gydF4y2Ba［］gydF4y2Ba）.软件在培训期间对所有空选项使用默认值。gydF4y2Ba

因为响应变量包含许多类，所以指定一个稀疏随机编码设计。gydF4y2Ba

rng (1);gydF4y2Ba%的再现性gydF4y2Ba编码= designecoc (K,gydF4y2Ba“sparserandom”gydF4y2Ba）;gydF4y2Ba

使用并行计算训练和交叉验证ECOC模型。拟合后验概率(返回gydF4y2BakfoldPredictgydF4y2Ba）.gydF4y2Ba

池= parpool;gydF4y2Ba%调用工人gydF4y2Ba

使用“local”配置文件启动并行池(parpool)…连接到6个工人。gydF4y2Ba

选择= statset (gydF4y2Ba“UseParallel”gydF4y2Ba1);CVMdl = fitcecoc (X, Y,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“选项”gydF4y2Ba选项,gydF4y2Ba“编码”gydF4y2Ba、编码、gydF4y2Ba…gydF4y2Ba“FitPosterior”gydF4y2Ba，1，gydF4y2Ba“CrossVal”gydF4y2Ba，gydF4y2Ba“上”gydF4y2Ba）;gydF4y2Ba

警告:一个或多个折叠不包含所有组的点。gydF4y2Ba

池调用6个工作人员，但是工作人员的数量可能因系统而异。因为一些类的相对频率较低，一个或多个折叠很可能不包含所有类的观察结果。gydF4y2Ba

估计后验概率，并显示被分类为没有心律失常(第1类)的后验概率，给出一组随机的验证折叠观察数据。gydF4y2Ba

[~, ~, ~,后]= kfoldPredict (CVMdl,gydF4y2Ba“选项”gydF4y2Ba、选择);idx = randsample (n, 10);表(idx Y (idx)、后(idx, 1),gydF4y2Ba…gydF4y2Ba“VariableNames”gydF4y2Ba，{gydF4y2Ba“OOFSampleIndex”gydF4y2Ba，gydF4y2Ba“TrueLabel”gydF4y2Ba，gydF4y2Ba“PosteriorNoArrhythmia”gydF4y2Ba}）gydF4y2Ba

ans =gydF4y2Ba10×3表gydF4y2BaOOFSampleIndex TrueLabel posteriorno心律失常______________ _________ _____________________ 171 1 0.33654 221 1 0.85135 72 16 0.9174 3 10 0.025649 202 1 0.88438 243 1 0.9435 18 1 0.81198 49 6 0.090154 234 1 0.61625 315 1 0.97187gydF4y2Ba

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:gydF4y2BakfoldPredict (CVMdl PosteriorMethod, qp)gydF4y2Ba指定通过使用二次规划求解最小二乘问题来估计多类后验概率。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

`NumKLInitializationsgydF4y2Ba`- - - - - -gydF4y2Ba随机初值的数目gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba非负整数标量gydF4y2Ba

通过Kullback-Leibler散度最小化拟合后验概率的随机初值数，指定为逗号分隔对，由gydF4y2Ba“NumKLInitializations”gydF4y2Ba和一个非负整数标量。gydF4y2Ba

如果您不请求第四个输出参数(gydF4y2Ba后gydF4y2Ba)和组gydF4y2Ba“PosteriorMethod”、“kl的gydF4y2Ba(默认值)，则软件忽略gydF4y2BaNumKLInitializationsgydF4y2Ba．gydF4y2Ba

有关详细信息，请参见gydF4y2Ba使用Kullback-Leibler Divergence的后验估计gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“NumKLInitializations”,5gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双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

`PosteriorMethodgydF4y2Ba`- - - - - -gydF4y2Ba后验概率估计法gydF4y2Ba
`“吉隆坡”gydF4y2Ba`(默认)|gydF4y2Ba`“qp”gydF4y2Ba`

后验概率估计方法，指定为逗号分隔对组成gydF4y2Ba“PosteriorMethod”gydF4y2Ba和gydF4y2Ba“吉隆坡”gydF4y2Ba或gydF4y2Ba“qp”gydF4y2Ba．gydF4y2Ba

如果gydF4y2BaPosteriorMethodgydF4y2Ba是gydF4y2Ba“吉隆坡”gydF4y2Ba，然后通过最小化二进制学习者返回的预测后验概率和期望后验概率之间的Kullback-Leibler差异来估计多类后验概率。有关详细信息,请参见gydF4y2Ba使用Kullback-Leibler Divergence的后验估计gydF4y2Ba．gydF4y2Ba
如果gydF4y2BaPosteriorMethodgydF4y2Ba是gydF4y2Ba“qp”gydF4y2Ba，利用二次规划求解最小二乘问题，估计多类后验概率。您需要一个Optimization Toolbox™许可才能使用此选项。有关详细信息,请参见gydF4y2Ba二次规划的后验估计gydF4y2Ba．gydF4y2Ba
如果您不请求第四个输出参数(gydF4y2Ba后gydF4y2Ba)，则该软件忽略的价值gydF4y2BaPosteriorMethodgydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“PosteriorMethod”、“qp”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

`标签gydF4y2Ba`-预测类标签gydF4y2Ba
类别数组|字符数组|逻辑向量|数字向量|字符向量单元数组gydF4y2Ba

预测类标签，作为分类或字符数组、逻辑或数字向量或字符向量的单元格数组返回。gydF4y2Ba

标签gydF4y2Ba具有相同的数据类型和行数gydF4y2BaCVMdl。YgydF4y2Ba．gydF4y2Ba

该软件通过将观测分配到产生最大负平均二进制损失(或，等价地，最小平均二进制损失)的类来预测观测的分类。gydF4y2Ba

`NegLossgydF4y2Ba`-负的平均二进制损失gydF4y2Ba
数字矩阵gydF4y2Ba

负的平均二进制损失，返回一个数字矩阵。gydF4y2BaNegLossgydF4y2Ba是一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BaKgydF4y2Ba矩阵,gydF4y2BangydF4y2Ba为观测次数(gydF4y2Ba尺寸(CVMdl.X, 1)gydF4y2Ba),gydF4y2BaKgydF4y2Ba为唯一类的数量(gydF4y2Ba尺寸(CVMdl.ClassNames, 1)gydF4y2Ba）.gydF4y2Ba

`PBScoregydF4y2Ba`——Positive-class分数gydF4y2Ba
数字矩阵gydF4y2Ba

每个二进制学习者的正分数，以数字矩阵的形式返回。gydF4y2BaPBScoregydF4y2Ba是一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BalgydF4y2Ba矩阵,gydF4y2BangydF4y2Ba为观测次数(gydF4y2Ba尺寸(CVMdl.X, 1)gydF4y2Ba),gydF4y2BalgydF4y2Ba为二元学习者的人数(gydF4y2Ba大小(CVMdl.CodingMatrix, 2)gydF4y2Ba）.gydF4y2Ba

`后gydF4y2Ba`-后验类别概率gydF4y2Ba
数字矩阵gydF4y2Ba

后验类概率，以数字矩阵返回。gydF4y2Ba后gydF4y2Ba是一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BaKgydF4y2Ba矩阵,gydF4y2BangydF4y2Ba为观测次数(gydF4y2Ba尺寸(CVMdl.X, 1)gydF4y2Ba),gydF4y2BaKgydF4y2Ba为唯一类的数量(gydF4y2Ba尺寸(CVMdl.ClassNames, 1)gydF4y2Ba）.gydF4y2Ba

必须设置gydF4y2Ba“FitPosterior”,1gydF4y2Ba在训练交叉验证ECOC模型时使用gydF4y2BafitcecocgydF4y2Ba为了请求gydF4y2Ba后gydF4y2Ba．否则，软件将抛出错误。gydF4y2Ba

算法gydF4y2Ba

全部折叠gydF4y2Ba

该软件可以通过最小化Kullback-Leibler发散或使用二次规划来估计类后验概率。对于后验估计算法的如下描述，假设:gydF4y2Ba

米gydF4y2Ba_kjgydF4y2Ba是元素(gydF4y2BakgydF4y2Ba，gydF4y2BajgydF4y2Ba)的编码设计矩阵gydF4y2Ba米gydF4y2Ba．gydF4y2Ba
我gydF4y2Ba为指标函数。gydF4y2Ba
${\overset{＾gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}$ 类的后验概率是类的估计吗gydF4y2BakgydF4y2Ba的观察,gydF4y2BakgydF4y2Ba= 1,…,gydF4y2BaKgydF4y2Ba．gydF4y2Ba
rgydF4y2Ba_jgydF4y2Ba二进制学习者的正类后验概率是多少gydF4y2BajgydF4y2Ba．也就是说,gydF4y2BargydF4y2Ba_jgydF4y2Ba二进制学习者的概率是多少gydF4y2BajgydF4y2Ba给定训练数据，将观察结果分类为正向类。gydF4y2Ba

使用Kullback-Leibler Divergence的后验估计gydF4y2Ba

默认情况下，该软件将Kullback-Leibler差异最小化，以估计类后验概率。期望的正类后验概率与观测到的正类后验概率之间的Kullback-Leibler差异为gydF4y2Ba

$ΔgydF4y2Ba （gydF4y2Ba rgydF4y2Ba ，gydF4y2Ba \overset{＾gydF4y2Ba}{rgydF4y2Ba} ）gydF4y2Ba ＝gydF4y2Ba {\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{lgydF4y2Ba} {wgydF4y2Ba}_{jgydF4y2Ba} ［gydF4y2Ba {rgydF4y2Ba}_{jgydF4y2Ba} 日志gydF4y2Ba \frac{{rgydF4y2Ba}_{jgydF4y2Ba}}{{\overset{＾gydF4y2Ba}{rgydF4y2Ba}}_{jgydF4y2Ba}} +gydF4y2Ba （gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba {rgydF4y2Ba}_{jgydF4y2Ba} ）gydF4y2Ba 日志gydF4y2Ba \frac{1gydF4y2Ba -gydF4y2Ba {rgydF4y2Ba}_{jgydF4y2Ba}}{1gydF4y2Ba -gydF4y2Ba {\overset{＾gydF4y2Ba}{rgydF4y2Ba}}_{jgydF4y2Ba}} ］gydF4y2Ba ，gydF4y2Ba$

在哪里gydF4y2Ba ${wgydF4y2Ba}_{jgydF4y2Ba} ＝gydF4y2Ba \underset{{年代gydF4y2Ba}_{jgydF4y2Ba}}{\sumgydF4y2Ba} {wgydF4y2Ba}_{我gydF4y2Ba}^{*gydF4y2Ba}$ 是二元学习者的权重吗gydF4y2BajgydF4y2Ba．gydF4y2Ba

年代gydF4y2Ba_jgydF4y2Ba这组观察指标是针对哪个二元学习者的gydF4y2BajgydF4y2Ba是训练有素的。gydF4y2Ba
${wgydF4y2Ba}_{我gydF4y2Ba}^{*gydF4y2Ba}$ 观察的权重是多少gydF4y2Ba我gydF4y2Ba．gydF4y2Ba

该软件以迭代的方式将分歧最小化。第一步是选择初值gydF4y2Ba ${\overset{＾gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}^{（gydF4y2Ba 0gydF4y2Ba ）gydF4y2Ba} ；gydF4y2Ba kgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba …gydF4y2Ba ，gydF4y2Ba KgydF4y2Ba$ 对于类的后验概率。gydF4y2Ba

如果没有指定gydF4y2Ba“NumKLIterations”gydF4y2Ba，然后软件尝试下面描述的两组确定性初值，并选择使Δ最小化的集合。gydF4y2Ba
- ${\overset{＾gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}^{（gydF4y2Ba 0gydF4y2Ba ）gydF4y2Ba} ＝gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba KgydF4y2Ba ；gydF4y2Ba kgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba …gydF4y2Ba ，gydF4y2Ba KgydF4y2Ba ．gydF4y2Ba$
- ${\overset{＾gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}^{（gydF4y2Ba 0gydF4y2Ba ）gydF4y2Ba} ；gydF4y2Ba kgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba …gydF4y2Ba ，gydF4y2Ba KgydF4y2Ba$ 方程组的解是多少gydF4y2Ba
  
  ${米gydF4y2Ba}_{01gydF4y2Ba} {\overset{＾gydF4y2Ba}{pgydF4y2Ba}}^{（gydF4y2Ba 0gydF4y2Ba ）gydF4y2Ba} ＝gydF4y2Ba rgydF4y2Ba ，gydF4y2Ba$
  
  在哪里gydF4y2Ba米gydF4y2Ba_01gydF4y2Ba是gydF4y2Ba米gydF4y2Ba与所有gydF4y2Ba米gydF4y2Ba_kjgydF4y2Ba= -1替换为0gydF4y2BargydF4y2Ba返回的是一个正向的后验概率向量gydF4y2BalgydF4y2Ba二进制学习者gydF4y2Ba(Dietterich等。)gydF4y2Ba．软件使用gydF4y2BalsqnonneggydF4y2Ba解这个方程组。gydF4y2Ba
如果您指定gydF4y2Ba“NumKLIterations”,cgydF4y2Ba,在那里gydF4y2BacgydF4y2Ba是自然数，那么软件做下面的选择集呢gydF4y2Ba ${\overset{＾gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}^{（gydF4y2Ba 0gydF4y2Ba ）gydF4y2Ba} ；gydF4y2Ba kgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba …gydF4y2Ba ，gydF4y2Ba KgydF4y2Ba$ ，并选择使Δ最小化的集合。gydF4y2Ba
- 如前所述，软件会尝试这两组确定的初始值。gydF4y2Ba
- 软件随机生成gydF4y2BacgydF4y2Ba向量的长度gydF4y2BaKgydF4y2Ba使用gydF4y2Ba兰德gydF4y2Ba，然后将每个向量的和归一。gydF4y2Ba

在迭代gydF4y2BatgydF4y2Ba，软件完成以下步骤:gydF4y2Ba

计算gydF4y2Ba

${\overset{＾gydF4y2Ba}{rgydF4y2Ba}}_{jgydF4y2Ba}^{（gydF4y2Ba tgydF4y2Ba ）gydF4y2Ba} ＝gydF4y2Ba \frac{{\sumgydF4y2Ba}_{kgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{KgydF4y2Ba} {\overset{＾gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}^{（gydF4y2Ba tgydF4y2Ba ）gydF4y2Ba} 我gydF4y2Ba （gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} ＝gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ）gydF4y2Ba}{{\sumgydF4y2Ba}_{kgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{KgydF4y2Ba} {\overset{＾gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}^{（gydF4y2Ba tgydF4y2Ba ）gydF4y2Ba} 我gydF4y2Ba （gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} ＝gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba \cupgydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} ＝gydF4y2Ba -gydF4y2Ba 1gydF4y2Ba ）gydF4y2Ba} ．gydF4y2Ba$
估计下一类后验概率gydF4y2Ba

${\overset{＾gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}^{（gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ）gydF4y2Ba} ＝gydF4y2Ba {\overset{＾gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}^{（gydF4y2Ba tgydF4y2Ba ）gydF4y2Ba} \frac{{\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{lgydF4y2Ba} {wgydF4y2Ba}_{jgydF4y2Ba} ［gydF4y2Ba {rgydF4y2Ba}_{jgydF4y2Ba} 我gydF4y2Ba （gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} ＝gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba （gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba {rgydF4y2Ba}_{jgydF4y2Ba} ）gydF4y2Ba 我gydF4y2Ba （gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} ＝gydF4y2Ba -gydF4y2Ba 1gydF4y2Ba ）gydF4y2Ba ］gydF4y2Ba}{{\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{lgydF4y2Ba} {wgydF4y2Ba}_{jgydF4y2Ba} ［gydF4y2Ba {\overset{＾gydF4y2Ba}{rgydF4y2Ba}}_{jgydF4y2Ba}^{（gydF4y2Ba tgydF4y2Ba ）gydF4y2Ba} 我gydF4y2Ba （gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} ＝gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba （gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba {\overset{＾gydF4y2Ba}{rgydF4y2Ba}}_{jgydF4y2Ba}^{（gydF4y2Ba tgydF4y2Ba ）gydF4y2Ba} ）gydF4y2Ba 我gydF4y2Ba （gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} ＝gydF4y2Ba -gydF4y2Ba 1gydF4y2Ba ）gydF4y2Ba ］gydF4y2Ba} ．gydF4y2Ba$
正常化gydF4y2Ba ${\overset{＾gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}^{（gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ）gydF4y2Ba} ；gydF4y2Ba kgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba …gydF4y2Ba ，gydF4y2Ba KgydF4y2Ba$ 所以它们的和是1。gydF4y2Ba
检查收敛。gydF4y2Ba

有关详细信息，请参见gydF4y2Ba(Hastie等。)gydF4y2Ba和gydF4y2Ba(Zadrozny)gydF4y2Ba．gydF4y2Ba

二次规划的后验估计gydF4y2Ba

使用二次规划的后验概率估计需要一个优化工具箱许可证。为了用这种方法估计一个观测的后验概率，软件完成以下步骤:gydF4y2Ba

估计正类后验概率，gydF4y2BargydF4y2Ba_jgydF4y2Ba，针对二元学习者gydF4y2BajgydF4y2Ba= 1,…,gydF4y2BalgydF4y2Ba．gydF4y2Ba
利用gydF4y2BargydF4y2Ba_jgydF4y2Ba和gydF4y2Ba ${\overset{＾gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}$ (吴等。)gydF4y2Ba,最大限度地减少gydF4y2Ba

${\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{lgydF4y2Ba} {［gydF4y2Ba -gydF4y2Ba {rgydF4y2Ba}_{jgydF4y2Ba} {\sumgydF4y2Ba}_{kgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{KgydF4y2Ba} {\overset{＾gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba} 我gydF4y2Ba （gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} ＝gydF4y2Ba -gydF4y2Ba 1gydF4y2Ba ）gydF4y2Ba +gydF4y2Ba （gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba {rgydF4y2Ba}_{jgydF4y2Ba} ）gydF4y2Ba {\sumgydF4y2Ba}_{kgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{KgydF4y2Ba} {\overset{＾gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba} 我gydF4y2Ba （gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} ＝gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ）gydF4y2Ba ］gydF4y2Ba}^{2gydF4y2Ba}$

关于gydF4y2Ba ${\overset{＾gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba}$ 和限制gydF4y2Ba

$\begin{array}{l} 0gydF4y2Ba \leqgydF4y2Ba {\overset{＾gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba} \leqgydF4y2Ba 1gydF4y2Ba \\ \underset{kgydF4y2Ba}{\sumgydF4y2Ba} {\overset{＾gydF4y2Ba}{pgydF4y2Ba}}_{kgydF4y2Ba} ＝gydF4y2Ba 1.gydF4y2Ba \end{array}$

该软件执行最小化使用gydF4y2BaquadproggydF4y2Ba(优化工具箱)gydF4y2Ba．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

[2] Dietterich T.和G. Bakiri。通过错误修正输出代码解决多类学习问题。gydF4y2Ba人工智能研究杂志gydF4y2Ba．第2卷，1995年，263-286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

Hastie, T.和R. Tibshirani。“两两耦合分类”。gydF4y2Ba统计年鉴gydF4y2Ba．1998年第26卷第2期第451-471页。gydF4y2Ba

吴廷锋，林春杰，翁仁。“基于成对耦合的多类别分类的概率估计”。gydF4y2Ba机器学习研究杂志gydF4y2Ba．第5卷，2004年，975-1005页。gydF4y2Ba

[7] zrozny，“通过耦合概率估计将多类分解为二进制”。gydF4y2Ba神经信息处理系统研究进展14gydF4y2Ba， 2001，第1041-1048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

kfoldPredictgydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

预测gydF4y2BakgydF4y2Ba倍交叉验证标签gydF4y2Ba

使用自定义二进制损耗函数预测交叉验证标签gydF4y2Ba

估计交叉验证后验概率gydF4y2Ba

用并行计算估计交叉验证后验概率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`

`NumKLInitializationsgydF4y2Ba`- - - - - -gydF4y2Ba随机初值的数目gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba非负整数标量gydF4y2Ba

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

`PosteriorMethodgydF4y2Ba`- - - - - -gydF4y2Ba后验概率估计法gydF4y2Ba
`“吉隆坡”gydF4y2Ba`(默认)|gydF4y2Ba`“qp”gydF4y2Ba`

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

输出参数gydF4y2Ba

`标签gydF4y2Ba`-预测类标签gydF4y2Ba
类别数组|字符数组|逻辑向量|数字向量|字符向量单元数组gydF4y2Ba

`NegLossgydF4y2Ba`-负的平均二进制损失gydF4y2Ba
数字矩阵gydF4y2Ba

`PBScoregydF4y2Ba`——Positive-class分数gydF4y2Ba
数字矩阵gydF4y2Ba

`后gydF4y2Ba`-后验类别概率gydF4y2Ba
数字矩阵gydF4y2Ba

更多关于gydF4y2Ba

二元损失gydF4y2Ba

算法gydF4y2Ba

使用Kullback-Leibler Divergence的后验估计gydF4y2Ba

二次规划的后验估计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

kfoldPredictgydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

预测gydF4y2BakgydF4y2Ba倍交叉验证标签gydF4y2Ba

使用自定义二进制损耗函数预测交叉验证标签gydF4y2Ba

估计交叉验证后验概率gydF4y2Ba

用并行计算估计交叉验证后验概率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

NumKLInitializationsgydF4y2Ba- - - - - -gydF4y2Ba随机初值的数目gydF4y2Ba0gydF4y2Ba(默认)|gydF4y2Ba非负整数标量gydF4y2Ba

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

PosteriorMethodgydF4y2Ba- - - - - -gydF4y2Ba后验概率估计法gydF4y2Ba“吉隆坡”gydF4y2Ba(默认)|gydF4y2Ba“qp”gydF4y2Ba

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

输出参数gydF4y2Ba

标签gydF4y2Ba-预测类标签gydF4y2Ba类别数组|字符数组|逻辑向量|数字向量|字符向量单元数组gydF4y2Ba

NegLossgydF4y2Ba-负的平均二进制损失gydF4y2Ba数字矩阵gydF4y2Ba

PBScoregydF4y2Ba——Positive-class分数gydF4y2Ba数字矩阵gydF4y2Ba

后gydF4y2Ba-后验类别概率gydF4y2Ba数字矩阵gydF4y2Ba

更多关于gydF4y2Ba

二元损失gydF4y2Ba

算法gydF4y2Ba

使用Kullback-Leibler Divergence的后验估计gydF4y2Ba

二次规划的后验估计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`

`NumKLInitializationsgydF4y2Ba`- - - - - -gydF4y2Ba随机初值的数目gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba非负整数标量gydF4y2Ba

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

`PosteriorMethodgydF4y2Ba`- - - - - -gydF4y2Ba后验概率估计法gydF4y2Ba
`“吉隆坡”gydF4y2Ba`(默认)|gydF4y2Ba`“qp”gydF4y2Ba`

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

`标签gydF4y2Ba`-预测类标签gydF4y2Ba
类别数组|字符数组|逻辑向量|数字向量|字符向量单元数组gydF4y2Ba

`NegLossgydF4y2Ba`-负的平均二进制损失gydF4y2Ba
数字矩阵gydF4y2Ba

`PBScoregydF4y2Ba`——Positive-class分数gydF4y2Ba
数字矩阵gydF4y2Ba

`后gydF4y2Ba`-后验类别概率gydF4y2Ba
数字矩阵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