kfoldLossgydF4y2Ba

交叉验证内核ECOC模型的分类损失gydF4y2Ba

语法gydF4y2Ba

损失= kfoldLoss(cvdl)gydF4y2Ba

损失= kfoldLoss(CVMdl，名称，值)gydF4y2Ba

描述gydF4y2Ba

损失gydF4y2Ba= kfoldLoss (gydF4y2BaCVMdlgydF4y2Ba）gydF4y2Ba返回交叉验证的内核ECOC模型得到的分类损失(gydF4y2BaClassificationPartitionedKernelECOCgydF4y2Ba）gydF4y2BaCVMdlgydF4y2Ba．对于每一次折叠，gydF4y2BakfoldLossgydF4y2Ba使用在训练折叠观测上训练的模型计算验证折叠观测的分类损失。gydF4y2BakfoldLossgydF4y2Ba应用用于创建的相同数据gydF4y2BaCVMdlgydF4y2Ba(见gydF4y2BafitcecocgydF4y2Ba)．gydF4y2Ba

默认情况下,gydF4y2BakfoldLossgydF4y2Ba返回gydF4y2Ba分类错误gydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

损失gydF4y2Ba= kfoldLoss (gydF4y2BaCVMdlgydF4y2Ba，gydF4y2Ba名称,值gydF4y2Ba）gydF4y2Ba返回由一个或多个名-值对参数指定的附加选项的分类损失。例如，指定分类损失函数、折叠数、解码方案或冗长级别。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

估计gydF4y2BakgydF4y2Ba-折叠交叉验证分类错误gydF4y2Ba

打开实时脚本gydF4y2Ba

加载费雪的虹膜数据集。gydF4y2BaXgydF4y2Ba包含花的尺寸和gydF4y2BaYgydF4y2Ba包含花卉种类的名称。gydF4y2Ba

负载gydF4y2BafisheririsgydF4y2BaX = meas;Y =物种;gydF4y2Ba

交叉验证一个由核心二进制学习器组成的ECOC模型。gydF4y2Ba

CVMdl = fitcecoc(X,Y，gydF4y2Ba“学习者”gydF4y2Ba，gydF4y2Ba“内核”gydF4y2Ba，gydF4y2Ba“CrossVal”gydF4y2Ba，gydF4y2Ba“上”gydF4y2Ba）gydF4y2Ba

CVMdl = ClassificationPartitionedKernelECOC CrossValidatedModel: 'KernelECOC' ResponseName: 'Y' NumObservations: 150 KFold: 10 Partition: [1x1 cvpartition] ClassNames: {'setosa' 'versicolor' 'virginica'} ScoreTransform: 'none'属性，方法gydF4y2Ba

CVMdlgydF4y2Ba是一个gydF4y2BaClassificationPartitionedKernelECOCgydF4y2Ba模型。默认情况下，该软件实现了10次交叉验证。要指定不同的折叠数，请使用gydF4y2Ba“KFold”gydF4y2Ba名称-值对参数代替gydF4y2Ba“Crossval”gydF4y2Ba．gydF4y2Ba

估计交叉验证的分类损失。默认情况下，软件计算分类错误。gydF4y2Ba

损失= kfoldLoss(cvdl)gydF4y2Ba

损失= 0.0333gydF4y2Ba

或者，您可以通过指定名称-值对来获取每折叠的分类错误gydF4y2Ba“模式”,“个人”gydF4y2Ba在gydF4y2BakfoldLossgydF4y2Ba．gydF4y2Ba

使用自定义交叉验证损失确定模型质量gydF4y2Ba

打开实时脚本gydF4y2Ba

除了了解模型是否正确地对观测数据进行分类外，您还可以确定模型将观测数据划分到其预测类别的程度。确定这种类型的模型质量的一种方法是传递一个自定义损失函数gydF4y2BakfoldLossgydF4y2Ba．gydF4y2Ba

加载费雪的虹膜数据集。gydF4y2BaXgydF4y2Ba包含花的尺寸和gydF4y2BaYgydF4y2Ba包含花卉种类的名称。gydF4y2Ba

负载gydF4y2BafisheririsgydF4y2BaX = meas;Y =物种;gydF4y2Ba

交叉验证一个由核心二进制学习器组成的ECOC模型。gydF4y2Ba

rng (1)gydF4y2Ba%用于再现性gydF4y2BaCVMdl = fitcecoc(X,Y，gydF4y2Ba“学习者”gydF4y2Ba，gydF4y2Ba“内核”gydF4y2Ba，gydF4y2Ba“CrossVal”gydF4y2Ba，gydF4y2Ba“上”gydF4y2Ba）gydF4y2Ba

CVMdl = ClassificationPartitionedKernelECOC CrossValidatedModel: 'KernelECOC' ResponseName: 'Y' NumObservations: 150 KFold: 10 Partition: [1x1 cvpartition] ClassNames: {'setosa' 'versicolor' 'virginica'} ScoreTransform: 'none'属性，方法gydF4y2Ba

创建一个自定义函数，对每个观测值取最小损失，然后对所有观测值取最小损失的平均值。gydF4y2Ba年代gydF4y2Ba对应于gydF4y2BaNegLossgydF4y2Ba的输出gydF4y2BakfoldPredictgydF4y2Ba．gydF4y2Ba

lossfun = @(~，S，~，~)mean(min(-S，[]，2));gydF4y2Ba

计算交叉验证的自定义损失。gydF4y2Ba

kfoldLoss (CVMdlgydF4y2Ba“LossFun”gydF4y2Balossfun)gydF4y2Ba

Ans = 0.0199gydF4y2Ba

验证倍观测的平均最小二进制损失约为0.02。gydF4y2Ba

输入参数gydF4y2Ba

全部折叠gydF4y2Ba

`CVMdlgydF4y2Ba`- - - - - -gydF4y2Ba交叉验证的内核ECOC模型gydF4y2Ba
`ClassificationPartitionedKernelECOCgydF4y2Ba`模型gydF4y2Ba

交叉验证的内核ECOC模型，指定为gydF4y2BaClassificationPartitionedKernelECOCgydF4y2Ba模型。您可以创建gydF4y2BaClassificationPartitionedKernelECOCgydF4y2Ba通过训练ECOC模型使用gydF4y2BafitcecocgydF4y2Ba并指定这些名值对参数:gydF4y2Ba

“学习者”gydF4y2Ba—设置为gydF4y2Ba“内核”gydF4y2Ba返回的模板对象gydF4y2BatemplateKernelgydF4y2Ba，或此类模板对象的单元格数组。gydF4y2Ba
其中一个论点是gydF4y2Ba“CrossVal”gydF4y2Ba，gydF4y2Ba“CVPartition”gydF4y2Ba，gydF4y2Ba“坚持”gydF4y2Ba，gydF4y2Ba“KFold”gydF4y2Ba,或gydF4y2Ba“Leaveout”gydF4y2Ba．gydF4y2Ba

名称-值参数gydF4y2Ba

指定可选参数对为gydF4y2BaName1 = Value1,…,以=家gydF4y2Ba,在那里gydF4y2Ba的名字gydF4y2Ba参数名称和gydF4y2Ba价值gydF4y2Ba对应的值。名称-值参数必须出现在其他参数之后，但对的顺序无关紧要。gydF4y2Ba

在R2021a之前，使用逗号分隔每个名称和值，并将其括起来gydF4y2Ba的名字gydF4y2Ba在报价。gydF4y2Ba

例子:gydF4y2BakfoldLoss(CVMdl，' fold '，[1 3 5])gydF4y2Ba指定仅使用第一、第三和第五次折叠来计算分类损失。gydF4y2Ba

`BinaryLossgydF4y2Ba`- - - - - -gydF4y2Ba二元学习器损失函数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，指定为逗号分隔的对，由gydF4y2Ba“BinaryLoss”gydF4y2Ba和内置的损失函数名或函数句柄。gydF4y2Ba

该表包含内置函数的名称和描述，其中gydF4y2BaygydF4y2Ba_jgydF4y2Ba是特定二元学习器的类标签(在集合{- 1,1,0}中)，gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba这是观察分数吗gydF4y2BajgydF4y2Ba,gydF4y2BaggydF4y2Ba（gydF4y2BaygydF4y2Ba_jgydF4y2Ba，gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba)为二值损失公式。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	Log [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	Log [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

该软件规范化二进制损耗，使损耗为0.5时gydF4y2BaygydF4y2Ba_jgydF4y2Ba= 0。此外，该软件还计算每个类的平均二进制损失。gydF4y2Ba

例如，对于一个自定义的二元损失函数，gydF4y2BacustomFunctiongydF4y2Ba，指定它的函数句柄gydF4y2BaBinaryLoss, @customFunctiongydF4y2Ba．gydF4y2Ba
customFunctiongydF4y2Ba有这样的形式:gydF4y2Ba
```
bLoss = customFunction(M,s)gydF4y2Ba
```
- 米gydF4y2Ba是gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BaBgydF4y2Ba存储在gydF4y2BaMdl。CodingMatrix．gydF4y2Ba
- 年代gydF4y2Ba是1 × -吗gydF4y2BaBgydF4y2Ba分类分数行向量。gydF4y2Ba
- 布劳斯gydF4y2Ba是分类损失。这个标量聚合了特定类中每个学习者的二进制损失。例如，您可以使用平均二元损失来聚合每个类的学习器损失。gydF4y2Ba
- KgydF4y2Ba是类的数量。gydF4y2Ba
- BgydF4y2Ba是二元学习器的数目。gydF4y2Ba

默认情况下，如果所有二元学习器都是使用SVM的核分类模型，则gydF4y2BaBinaryLossgydF4y2Ba是gydF4y2Ba“枢纽”gydF4y2Ba．如果所有二元学习器都是使用逻辑回归的核分类模型，则gydF4y2BaBinaryLossgydF4y2Ba是gydF4y2Ba“二次”gydF4y2Ba．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`

聚合二进制损耗的解码方案，指定为由逗号分隔的对组成gydF4y2Ba“解码”gydF4y2Ba而且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预测的折叠指数gydF4y2Ba
`1: CVMdl。KFoldgydF4y2Ba`(默认)|gydF4y2Ba正整数的数字向量gydF4y2Ba

用于预测的折叠索引，指定为逗号分隔的对，由gydF4y2Ba“折叠”gydF4y2Ba一个正整数的数字向量。的要素gydF4y2Ba折叠gydF4y2Ba必须在范围内gydF4y2Ba1gydF4y2Ba来gydF4y2BaCVMdl。KFoldgydF4y2Ba．gydF4y2Ba

软件只使用中指定的折叠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

`LossFungydF4y2Ba`- - - - - -gydF4y2Ba损失函数gydF4y2Ba
`“classiferror”gydF4y2Ba`(默认)|gydF4y2Ba`“classifcost”gydF4y2Ba`|gydF4y2Ba函数处理gydF4y2Ba

损失函数，指定为gydF4y2Ba“classiferror”gydF4y2Ba，gydF4y2Ba“classifcost”gydF4y2Ba，或函数句柄。gydF4y2Ba

指定内置函数gydF4y2Ba“classiferror”gydF4y2Ba．在这种情况下，损失函数是gydF4y2Ba分类错误gydF4y2Ba．gydF4y2Ba
指定内置函数gydF4y2Ba“classifcost”gydF4y2Ba．在这种情况下，损失函数是gydF4y2Ba观察到的错误分类成本gydF4y2Ba．如果使用默认成本矩阵(其元素值为0表示正确分类，1表示错误分类)，则损失值为gydF4y2Ba“classifcost”gydF4y2Ba而且gydF4y2Ba“classiferror”gydF4y2Ba都是相同的。gydF4y2Ba
或者，使用函数句柄表示法指定自己的函数。gydF4y2Ba
假设gydF4y2BangydF4y2Ba为训练数据中的观察数(gydF4y2BaCVMdl。NumObservationsgydF4y2Ba),gydF4y2BaKgydF4y2Ba是类的数量(gydF4y2Ba元素个数(CVMdl.ClassNames)gydF4y2Ba)．您的函数需要签名gydF4y2Balossvalue =gydF4y2BalossfungydF4y2Ba(C、S、W、成本)gydF4y2Ba,地点:gydF4y2Ba
- 输出参数gydF4y2BalossvaluegydF4y2Ba是标量。gydF4y2Ba
- 您可以指定函数名(gydF4y2BalossfungydF4y2Ba)．gydF4y2Ba
- CgydF4y2Ba是一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BaKgydF4y2Ba逻辑矩阵，其中行表示对应观测值所属的类别。列的顺序对应于类的顺序gydF4y2BaCVMdl。ClassNames．gydF4y2Ba
  构造gydF4y2BaCgydF4y2Ba通过设置gydF4y2BaC(p,q) = 1gydF4y2Ba如果观察gydF4y2BapgydF4y2Ba在课堂上gydF4y2Ba问gydF4y2Ba，为每一行。设置row的每个元素gydF4y2BapgydF4y2Ba来gydF4y2Ba0gydF4y2Ba．gydF4y2Ba
- 年代gydF4y2Ba是一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BaKgydF4y2Ba类的负损失值的数字矩阵。每一行对应一个观察值。列的顺序对应于类的顺序gydF4y2BaCVMdl。ClassNames．输入gydF4y2Ba年代gydF4y2Ba类似于输出参数gydF4y2BaNegLossgydF4y2Ba的gydF4y2BakfoldPredictgydF4y2Ba．gydF4y2Ba
- WgydF4y2Ba是一个gydF4y2BangydF4y2Ba-by-1观测权重的数值向量。如果你通过了gydF4y2BaWgydF4y2Ba时，软件将其元素规范化为求和gydF4y2Ba1gydF4y2Ba．gydF4y2Ba
- 成本gydF4y2Ba是一个gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BaKgydF4y2Ba错误分类代价的数字矩阵。例如,gydF4y2Ba成本gydF4y2Ba＝gydF4y2Baones(K) - eye(K)gydF4y2Ba指定正确分类的代价为0，错误分类的代价为1。gydF4y2Ba
使用以下命令指定函数gydF4y2BaLossFun, @lossfungydF4y2Ba．gydF4y2Ba

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

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

输出的聚合级别，指定为由逗号分隔的对组成gydF4y2Ba“模式”gydF4y2Ba而且gydF4y2Ba“平均”gydF4y2Ba或gydF4y2Ba“个人”gydF4y2Ba．gydF4y2Ba

该表描述了各取值的含义。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每次折叠包含一个值，其中gydF4y2BakgydF4y2Ba是折叠的数量。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

调用并行计算:gydF4y2Ba

您需要并行计算工具箱™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`

详细级别，指定为逗号分隔的对，由gydF4y2Ba“详细”gydF4y2Ba而且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，则软件不显示诊断信息。否则，软件将显示诊断信息。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

`损失gydF4y2Ba`-分类损失gydF4y2Ba
数字标量|数字列向量gydF4y2Ba

分类损失，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损失gydF4y2Ba是所有折叠的平均分类损失。否则,gydF4y2Ba损失gydF4y2Ba是一个gydF4y2BakgydF4y2Ba-by-1数字列向量，包含每一次折叠的分类损失，其中gydF4y2BakgydF4y2Ba是折叠的数量。gydF4y2Ba

更多关于gydF4y2Ba

全部折叠gydF4y2Ba

分类错误gydF4y2Ba

的gydF4y2Ba分类错误gydF4y2Ba有形式gydF4y2Ba

$lgydF4y2Ba ＝gydF4y2Ba {\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{ngydF4y2Ba} {wgydF4y2Ba}_{jgydF4y2Ba} {egydF4y2Ba}_{jgydF4y2Ba} ，gydF4y2Ba$

地点:gydF4y2Ba

wgydF4y2Ba_jgydF4y2Ba重量是用来观察的吗gydF4y2BajgydF4y2Ba．软件将权重重新规格化，使其总和为1。gydF4y2Ba
egydF4y2Ba_jgydF4y2Ba= 1，表示预测的观察类别gydF4y2BajgydF4y2Ba与它的真实类不同，否则为0。gydF4y2Ba

换句话说，分类误差是被分类器错误分类的观测数据的比例。gydF4y2Ba

观察到的错误分类成本gydF4y2Ba

的gydF4y2Ba观察到的错误分类成本gydF4y2Ba有形式gydF4y2Ba

$lgydF4y2Ba ＝gydF4y2Ba {\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{ngydF4y2Ba} {wgydF4y2Ba}_{jgydF4y2Ba} {cgydF4y2Ba}_{{ygydF4y2Ba}_{jgydF4y2Ba} {\overset{＾gydF4y2Ba}{ygydF4y2Ba}}_{jgydF4y2Ba}} ，gydF4y2Ba$

地点:gydF4y2Ba

wgydF4y2Ba_jgydF4y2Ba重量是用来观察的吗gydF4y2BajgydF4y2Ba．软件将权重重新规格化，使其总和为1。gydF4y2Ba
${cgydF4y2Ba}_{{ygydF4y2Ba}_{jgydF4y2Ba} {\overset{＾gydF4y2Ba}{ygydF4y2Ba}}_{jgydF4y2Ba}}$ 用户指定的将观察数据分类的成本是多少gydF4y2Ba ${\overset{＾gydF4y2Ba}{ygydF4y2Ba}}_{jgydF4y2Ba}$ 当它真正的阶级是gydF4y2BaygydF4y2Ba_jgydF4y2Ba．gydF4y2Ba

二元损失gydF4y2Ba

的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-即类对应的代码gydF4y2BakgydF4y2Ba二元学习者gydF4y2BajgydF4y2Ba．gydF4y2Ba米gydF4y2Ba是一个gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BaBgydF4y2Ba矩阵,gydF4y2BaKgydF4y2Ba是班级的数量，和gydF4y2BaBgydF4y2Ba是二元学习器的数目。gydF4y2Ba
年代gydF4y2Ba_jgydF4y2Ba二元学习者的分数是多少gydF4y2BajgydF4y2Ba观察一下。gydF4y2Ba
ggydF4y2Ba是二值损失函数。gydF4y2Ba
$\overset{＾gydF4y2Ba}{kgydF4y2Ba}$ 是观测的预测类别。gydF4y2Ba

ECOC模型的解码方案规定了软件如何聚合二进制损失并确定每个观测的预测类别。软件支持两种解码方案:金宝appgydF4y2Ba

通过解码gydF4y2Ba[２]gydF4y2Ba（gydF4y2Ba解码gydF4y2Ba是gydF4y2Ba“lossbased”gydF4y2Ba) -观测的预测类对应于产生所有二元学习器的二进制损失的最小平均值的类。gydF4y2Ba

$\overset{＾gydF4y2Ba}{kgydF4y2Ba} ＝gydF4y2Ba \underset{kgydF4y2Ba}{argmingydF4y2Ba} \frac{1gydF4y2Ba}{BgydF4y2Ba} {\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{BgydF4y2Ba} |gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} |gydF4y2Ba ggydF4y2Ba （gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} ，gydF4y2Ba {年代gydF4y2Ba}_{jgydF4y2Ba} ）gydF4y2Ba ．gydF4y2Ba$
Loss-weighted解码gydF4y2Ba[3]gydF4y2Ba（gydF4y2Ba解码gydF4y2Ba是gydF4y2Ba“lossweighted”gydF4y2Ba) -观测的预测类对应于产生对应类的二元学习器的二进制损失的最小平均值的类。gydF4y2Ba

$\overset{＾gydF4y2Ba}{kgydF4y2Ba} ＝gydF4y2Ba \underset{kgydF4y2Ba}{argmingydF4y2Ba} \frac{{\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{BgydF4y2Ba} |gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} |gydF4y2Ba ggydF4y2Ba （gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} ，gydF4y2Ba {年代gydF4y2Ba}_{jgydF4y2Ba} ）gydF4y2Ba}{{\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{BgydF4y2Ba} |gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} |gydF4y2Ba} ．gydF4y2Ba$

分母对应于类的二元学习器的数量gydF4y2BakgydF4y2Ba．gydF4y2Ba［1］gydF4y2Ba建议损失加权解码通过保持所有类的损失值在相同的动态范围内来提高分类精度。gydF4y2Ba

的gydF4y2Ba预测gydF4y2Ba，gydF4y2BaresubPredictgydF4y2Ba,gydF4y2BakfoldPredictgydF4y2Ba函数返回的是目标函数的负值gydF4y2BaargmingydF4y2Ba作为第二个输出参数(gydF4y2BaNegLossgydF4y2Ba)进行观察及上课。gydF4y2Ba

下表总结了支持的二进制损失函数，其中金宝appgydF4y2BaygydF4y2Ba_jgydF4y2Ba是特定二元学习器的类标签(在集合{- 1,1,0}中)，gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba这是观察分数吗gydF4y2BajgydF4y2Ba,gydF4y2BaggydF4y2Ba（gydF4y2BaygydF4y2Ba_jgydF4y2Ba，gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba)为二值损失函数。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	Log [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”gydF4y2Ba`	物流gydF4y2Ba	(-∞∞)gydF4y2Ba	Log [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

该软件规范化二进制损耗，使损耗为0.5时gydF4y2BaygydF4y2Ba_jgydF4y2Ba= 0，并使用二元学习器的平均值进行聚合。gydF4y2Ba

不要将二进制损失与总体分类损失(由gydF4y2BaLossFungydF4y2Ba的名称-值参数gydF4y2BakfoldLossgydF4y2Ba而且gydF4y2BakfoldPredictgydF4y2Ba对象函数)，它衡量ECOC分类器作为一个整体执行的好坏。gydF4y2Ba

参考文献gydF4y2Ba

[1]奥尔温，E.， R. Schapire, Y. Singer。将多类简化为二进制:边距分类器的统一方法。gydF4y2Ba机器学习研究杂志gydF4y2Ba．Vol. 1, 2000, pp. 113-141。gydF4y2Ba

[2] Escalera, S.， O. Pujol, P. Radeva。纠错输出码的稀疏设计的三进制码的可分性。gydF4y2BaRecog模式。列托人。gydF4y2Ba， 2009年第3期，第30卷，页285-297。gydF4y2Ba

[3] Escalera, S.， O. Pujol, P. Radeva。三进制纠错输出码的解码过程。gydF4y2Ba模式分析与机器智能汇刊gydF4y2Ba．Vol. 32, Issue 7, 2010, pp. 120-134。gydF4y2Ba

版本历史gydF4y2Ba

在R2018b中引入gydF4y2Ba

另请参阅gydF4y2Ba

ClassificationPartitionedKernelECOCgydF4y2Ba|gydF4y2BafitcecocgydF4y2Ba

kfoldLossgydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

估计gydF4y2BakgydF4y2Ba-折叠交叉验证分类错误gydF4y2Ba

使用自定义交叉验证损失确定模型质量gydF4y2Ba

输入参数gydF4y2Ba

CVMdlgydF4y2Ba- - - - - -gydF4y2Ba交叉验证的内核ECOC模型gydF4y2BaClassificationPartitionedKernelECOCgydF4y2Ba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预测的折叠指数gydF4y2Ba1: CVMdl。KFoldgydF4y2Ba(默认)|gydF4y2Ba正整数的数字向量gydF4y2Ba

LossFungydF4y2Ba- - - - - -gydF4y2Ba损失函数gydF4y2Ba“classiferror”gydF4y2Ba(默认)|gydF4y2Ba“classifcost”gydF4y2Ba|gydF4y2Ba函数处理gydF4y2Ba

模式gydF4y2Ba- - - - - -gydF4y2Ba输出的聚合级别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

损失gydF4y2Ba-分类损失gydF4y2Ba数字标量|数字列向量gydF4y2Ba

更多关于gydF4y2Ba

分类错误gydF4y2Ba

观察到的错误分类成本gydF4y2Ba

二元损失gydF4y2Ba

参考文献gydF4y2Ba

版本历史gydF4y2Ba

另请参阅gydF4y2Ba

`CVMdlgydF4y2Ba`- - - - - -gydF4y2Ba交叉验证的内核ECOC模型gydF4y2Ba
`ClassificationPartitionedKernelECOCgydF4y2Ba`模型gydF4y2Ba

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

`折叠gydF4y2Ba`- - - - - -gydF4y2Ba预测的折叠指数gydF4y2Ba
`1: CVMdl。KFoldgydF4y2Ba`(默认)|gydF4y2Ba正整数的数字向量gydF4y2Ba

`LossFungydF4y2Ba`- - - - - -gydF4y2Ba损失函数gydF4y2Ba
`“classiferror”gydF4y2Ba`(默认)|gydF4y2Ba`“classifcost”gydF4y2Ba`|gydF4y2Ba函数处理gydF4y2Ba

`模式gydF4y2Ba`- - - - - -gydF4y2Ba输出的聚合级别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`

`损失gydF4y2Ba`-分类损失gydF4y2Ba
数字标量|数字列向量gydF4y2Ba