加载NLP数据集。

负载nlpdata

X是预测数据的稀疏矩阵，和Y是类标签的分类向量。

交叉验证一个多类，线性分类模型，可以识别哪个MATLAB®工具箱的文档网页是基于页面上的单词计数。

RNG（1）;%的再现性CVMdl = fitcecoc (X, Y,“学习者”，“线性”，“CrossVal”，“上”）

CVMdl = ClassificationPartitionedLinearECOC CrossValidatedModel: 'LinearECOC' ResponseName: 'Y' NumObservations: 31572 KFold: 10 Partition: [1x1 cvpartition] ClassNames: [1x13 categorical] ScoreTransform: 'none'属性，方法

CVMdl是一个ClassificationPartitionedLinearECOC旨在模型。因为fitcecoc默认情况下实现10倍交叉验证，CVMdl。训练有素的含有10×1细胞向量十CompactClassificationECOC包含训练ECOC模型的结果，ECOC模型由二元线性分类模型组成，每个折叠。

估计未折叠观测的标签，并通过传递估计泛化误差CVMdl来kfoldPredict和kfoldLoss,分别。

Ooflabels = kfoldpredict（cvmdl）;ge = kfoldloss（cvmdl）

通用电气(ge) = 0.0958

估计的泛化误差约为10%的误分类观测值。

要改善泛化错误，请尝试指定另一个求解器，如LBFGS。为了改变训练由线性分类模型组成的ECOC模型时的默认选项，使用templateLinear，然后将模板传递给fitcecoc．

为了确定ECOC模型的良好的套索惩罚强度，使用logistic回归学习者的线性分类模型，实现5倍交叉验证。

加载NLP数据集。

负载nlpdata

X是预测数据的稀疏矩阵，和Y是类标签的分类向量。

为简单起见，在所有的观察中使用“其他”标签Y不“金宝app模型”，“dsp”,或“通讯”．

Y (~ (ismember (Y, {“金宝app模型”，“dsp”，“通讯”}))) =“别人”；

创建一组11个对数间隔的正则化强度 $$10^{-7}$$通过 $$10^{-2}$$．

λ= logspace (7 2 11);

创建一个线性分类模型模板，指定使用逻辑回归学习者，使用套索惩罚的力量λ，使用Sparsa训练，并降低目标函数梯度的容差1 e-8．

t = templatelinear（“学习者”，“物流”，“规划求解”，“sparsa”，．..“正规化”，“套索”，“λ”λ,'gradienttolerance'1 e-8);

旨在模型。要提高执行速度，可以调换预测器数据并指定观察结果在列中。

X = X ';rng (10);%的再现性CVMdl = fitcecoc (X, Y,“学习者”t'观察'，“列”，“KFold”5);

CVMdl是一个ClassificationPartitionedLinearECOC模型。

解剖CVMdl，以及其中的每个模型。

numECOCModels =元素个数(CVMdl.Trained)

numECOCModels = 5

ECOCMdl1 = CVMdl。训练有素的{1}

ECOCMdl1 = CompactClassificationECOC ResponseName: 'Y' ClassNames: [comm dsp 金宝appsimulink others] ScoreTransform: 'none' BinaryLearners: {6×1 cell} CodingMatrix: [4×6 double]属性，方法

numCLModels =元素个数(ECOCMdl1.BinaryLearners)

numCLModels = 6

CLMdl1 = ECOCMdl1。BinaryLearners {1}

CLMdl1 = ClassificationLinear response: 'Y' ClassNames: [-1 1] ScoreTransform: 'logit' Beta: [34023×11 double] Bias: [-0.3169 -0.3169 -0.3168 -0.3168 -0.3167 -0.1725 -0.0805 -0.1762 -0.3450 -0.5174] Lambda: [1.0000e-07 3.1623e-07 1.1623e -05 1.0000e-04 3.1623e-04 1.0000e-03 0.0032 0.0100]“物流”属性,方法

因为fitcecoc实现5倍交叉验证,CVMdl包含一个5 × 1单元数组CompactClassificationECOC软件在每次折叠时训练的模型。的BinaryLearners每个人的财产CompactClassificationECOC模型包含了ClassificationLinear模型。的数量ClassificationLinear每个紧凑ECOC型号内的型号取决于不同的标签和编码设计的数量。因为λ你能想到一个正规化强度的序列吗CLMdl1作为11个型号，一个用于每个正则化强度λ．

通过绘制每个正则化强度的5倍分类误差的平均值，确定模型的泛化程度。确定正则化强度，使网格上的泛化误差最小化。

ce = kfoldLoss (CVMdl);图;plot(log10(Lambda)，log10(ce)) [~，minCEIdx] = min(ce);minLambda =λ(minCEIdx);持有在情节(log10 (minLambda) log10 (ce (minCEIdx)),“罗”）;ylabel ('log_{10} 5倍分类错误')包含(“log_{10}λ的)传说(MSE的，“最小分类错误”)举行从

利用整个数据集训练由线性分类模型组成的ECOC模型，并指定最小正则化强度。

t = templatelinear（“学习者”，“物流”，“规划求解”，“sparsa”，．..“正规化”，“套索”，“λ”minLambda,'gradienttolerance'1 e-8);MdlFinal = fitcecoc (X, Y,“学习者”t'观察'，“列”）;

要估计新观测值的标签，请通过MdlFinal和新的数据预测．