适合多类机型支持向量机或其他分类金宝appGyD.F4y2Ba
返回完整,训练,多款,GyD.F4y2Ba纠错输出码(ECOC)模型GyD.F4y2Ba使用表中的预测器GyD.F4y2BaMdlGyD.F4y2Ba
= fitcecoc (GyD.F4y2BaTBL.GyD.F4y2Ba
那GyD.F4y2BaResponseVarNameGyD.F4y2Ba
)GyD.F4y2BaTBL.GyD.F4y2Ba
和类标签GyD.F4y2Batbl.responsevarname.GyD.F4y2Ba
.GyD.F4y2BafitcecocGyD.F4y2Ba
使用GyD.F4y2BaK.GyD.F4y2Ba(GyD.F4y2BaK.GyD.F4y2Ba- 1)/2二进制支持向量机金宝app(SVM)模型,使用1对1GyD.F4y2Ba编码设计GyD.F4y2Ba, 在哪里GyD.F4y2BaK.GyD.F4y2Ba是唯一的类标签(水平)的数量。GyD.F4y2BaMdlGyD.F4y2Ba
是一个GyD.F4y2BaClassificationECOCGyD.F4y2Ba
模型。GyD.F4y2Ba
使用表中的预测器返回ECOC模型GyD.F4y2BaMdlGyD.F4y2Ba
= fitcecoc (GyD.F4y2BaTBL.GyD.F4y2Ba
那GyD.F4y2Ba公式GyD.F4y2Ba
)GyD.F4y2BaTBL.GyD.F4y2Ba
以及类标签。GyD.F4y2Ba公式GyD.F4y2Ba
是响应的解释模型和预测变量的子集GyD.F4y2BaTBL.GyD.F4y2Ba
用于培训。GyD.F4y2Ba
使用表中的预测器返回ECOC模型GyD.F4y2BaMdlGyD.F4y2Ba
= fitcecoc (GyD.F4y2BaTBL.GyD.F4y2Ba
那GyD.F4y2BayGyD.F4y2Ba
)GyD.F4y2BaTBL.GyD.F4y2Ba
以及vector中的类标签GyD.F4y2BayGyD.F4y2Ba
.GyD.F4y2Ba
使用预测器返回培训的ecoc模型GyD.F4y2BaMdlGyD.F4y2Ba
= fitcecoc (GyD.F4y2BaXGyD.F4y2Ba
那GyD.F4y2BayGyD.F4y2Ba
)GyD.F4y2BaXGyD.F4y2Ba
以及类标签GyD.F4y2BayGyD.F4y2Ba
.GyD.F4y2Ba
返回带有一个或多个指定的附加选项的ECOC模型GyD.F4y2BaMdlGyD.F4y2Ba
= fitcecoc (GyD.F4y2Ba___GyD.F4y2Ba那GyD.F4y2Ba名称,值GyD.F4y2Ba
)GyD.F4y2Ba名称,值GyD.F4y2Ba
Pair参数,使用前面的任何语法。GyD.F4y2Ba
例如,指定不同的二进制学习器、不同的编码设计或交叉验证。的交叉验证是一个很好的实践GyD.F4y2BaKfoldGyD.F4y2Ba
名称,值GyD.F4y2Ba
对参数。交叉验证的结果决定了模型的泛化程度。GyD.F4y2Ba
[GyD.F4y2Ba
当您指定也返回超参数优化细节GyD.F4y2BaMdlGyD.F4y2Ba
那GyD.F4y2BaHyperParameterOptimationResults.GyD.F4y2Ba
) = fitcecoc (GyD.F4y2Ba___GyD.F4y2Ba那GyD.F4y2Ba名称,值GyD.F4y2Ba
)GyD.F4y2BaOptimizeHyperparametersGyD.F4y2Ba
名称-值对参数并使用线性或内核二进制学习器。为其他GyD.F4y2Ba学习者GyD.F4y2Ba
,GyD.F4y2BaHyperParameterOptimationResults.GyD.F4y2Ba
的属性GyD.F4y2BaMdlGyD.F4y2Ba
包含结果。GyD.F4y2Ba
使用支持向量机(SVM)二进制学习者培训多种误差校正输出代码(ECOC)模型。金宝appGyD.F4y2Ba
装载Fisher的Iris数据集。指定预测器数据GyD.F4y2BaXGyD.F4y2Ba
和响应数据GyD.F4y2BayGyD.F4y2Ba
.GyD.F4y2Ba
负载GyD.F4y2BafisheririsGyD.F4y2BaX =量;y =物种;GyD.F4y2Ba
使用默认选项训练多类ECOC模型。GyD.F4y2Ba
Mdl = fitcecoc (X, Y)GyD.F4y2Ba
MDL = ClassificationECOC ResponseName: 'Y' CategoricalPredictors:[]类名:{ 'setosa' '云芝' '锦葵'} ScoreTransform: '无' BinaryLearners:{3×1细胞} CodingName: 'onevsone' 属性,方法GyD.F4y2Ba
MdlGyD.F4y2Ba
是一个GyD.F4y2BaClassificationECOCGyD.F4y2Ba
模型。默认情况下,GyD.F4y2BafitcecocGyD.F4y2Ba
使用支持向量机二进制学习器和一对一编码设计。您可以访问GyD.F4y2BaMdlGyD.F4y2Ba
使用点符号的属性。GyD.F4y2Ba
显示类名和编码设计矩阵。GyD.F4y2Ba
Mdl。CL.一种S.S.的名字S.GyD.F4y2Ba
ans =GyD.F4y2Ba3x1细胞GyD.F4y2Ba{'setosa'} {'versicolor'} {'virginica'}GyD.F4y2Ba
CodingMat = Mdl。CodingMatrixGyD.F4y2Ba
codingmat =GyD.F4y2Ba3×3GyD.F4y2Ba1 1 0 -1 0 1 0 -1 -1GyD.F4y2Ba
三个类的一个与一个编码设计产生了三个二进制学习者。列的列GyD.F4y2BaCodingMatGyD.F4y2Ba
对应学习者,行对应班级。类的顺序与在类中的顺序相同GyD.F4y2BaMdl。CL.一种S.S.的名字S.GyD.F4y2Ba
.例如,GyD.F4y2BaCodingMat (: 1)GyD.F4y2Ba
是GyD.F4y2Ba[1;-1;0]GyD.F4y2Ba
表示该软件使用分类为的所有观测值训练第一个支持向量机二值学习器GyD.F4y2Ba'setosa'GyD.F4y2Ba
和GyD.F4y2Ba“多色的”GyD.F4y2Ba
.因为GyD.F4y2Ba'setosa'GyD.F4y2Ba
对应于GyD.F4y2Ba1GyD.F4y2Ba
,这是积极的课程;GyD.F4y2Ba“多色的”GyD.F4y2Ba
对应于GyD.F4y2Ba1GyD.F4y2Ba
,所以这是负类。GyD.F4y2Ba
您可以使用单元格索引和点表示法访问每个二进制学习器。GyD.F4y2Ba
mdl.binarylearners {1}GyD.F4y2Ba第一个二元学习者GyD.F4y2Ba
ANS = CompactClassificationsVM RecordingAme:'Y'类分类:[] ClassNames:[-1 1] ScorEtransform:'none'Beta:[4x1 Double]偏置:1.4492内核参数:[1x1结构]属性,方法GyD.F4y2Ba
计算重新替换分类错误。GyD.F4y2Ba
错误= resubLoss (Mdl)GyD.F4y2Ba
错误= 0.0067GyD.F4y2Ba
训练数据的分类误差很小,但分类器可能是一个过拟合模型。您可以使用交叉验证分类器GyD.F4y2Ba横梁GyD.F4y2Ba
并计算交叉验证分类错误。GyD.F4y2Ba
培训由多个二进制线性分类模型组成的ecoc模型。GyD.F4y2Ba
加载NLP数据集。GyD.F4y2Ba
负载GyD.F4y2BanlpdataGyD.F4y2Ba
XGyD.F4y2Ba
是预测数据的稀疏矩阵,和GyD.F4y2BayGyD.F4y2Ba
是类标签的分类矢量。数据中有两个以上的类。GyD.F4y2Ba
创建一个默认的线性分类模型模板。GyD.F4y2Ba
t = templateLinear ();GyD.F4y2Ba
若要调整默认值,请参阅GyD.F4y2Ba名称-值对的观点GyD.F4y2Ba在GyD.F4y2BatemplateLinearGyD.F4y2Ba
页面。GyD.F4y2Ba
训练由多个二元线性分类模型组成的ECOC模型,该模型可以根据文档网页上单词的频率分布来识别产品。为了更快的训练时间,将预测器数据转置,并指定观测值对应于列。GyD.F4y2Ba
X = X ';RNG(1);GyD.F4y2Ba%的再现性GyD.F4y2Bamdl = fitcecoc(x,y,GyD.F4y2Ba'学习者'GyD.F4y2Ba,T,GyD.F4y2Ba'观察'GyD.F4y2Ba那GyD.F4y2Ba“列”GyD.F4y2Ba)GyD.F4y2Ba
Mdl = CompactClassificationECOC ResponseName: 'Y' ClassNames: [1x13 categorical] ScoreTransform: 'none' BinaryLearners: {78x1 cell} CodingMatrix: [13x78 double]属性,方法GyD.F4y2Ba
或者,您可以使用以下方法训练由默认线性分类模型组成的ECOC模型GyD.F4y2Ba“学习者”,“线性”GyD.F4y2Ba
.GyD.F4y2Ba
为了节省内存,GyD.F4y2BafitcecocGyD.F4y2Ba
返回由线性分类学习者组成的训练过的ECOC模型GyD.F4y2BaCompactClassificationECOCGyD.F4y2Ba
模型对象。GyD.F4y2Ba
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。GyD.F4y2Ba
装载Fisher的Iris数据集。指定预测器数据GyD.F4y2BaXGyD.F4y2Ba
和响应数据GyD.F4y2BayGyD.F4y2Ba
.GyD.F4y2Ba
负载GyD.F4y2BafisheririsGyD.F4y2BaX =量;y =物种;RNG(1);GyD.F4y2Ba%的再现性GyD.F4y2Ba
创建一个支持向量机模板,并标准化预测器。GyD.F4y2Ba
t = templatesvm(GyD.F4y2Ba“标准化”GyD.F4y2Ba,真的)GyD.F4y2Ba
T =用于分类SVM拟合模板。阿尔法:为0x1双] BoxConstraint:[] CacheSize的:[] CachingMethod: '' ClipAlphas:[] DeltaGradientTolerance:[]小量:[] GapTolerance:[] KKTTolerance:[] IterationLimit:[] KernelFunction: '' KernelScale:[]KernelOffset:[] KernelPolynomialOrder:[] NumPrint:[]女:[] OutlierFraction:[] RemoveDuplicates:[] ShrinkagePeriod:[]求解: '' StandardizeData:1个SaveSupportVectors:金宝app[] VerbosityLevel:[]版本:2所述的方法:“SVM'类型:‘分类’GyD.F4y2Ba
T.GyD.F4y2Ba
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。GyD.F4y2Ba
训练ECOC分类器,并指定类的顺序。GyD.F4y2Ba
mdl = fitcecoc(x,y,GyD.F4y2Ba'学习者'GyD.F4y2Ba,T,GyD.F4y2Ba...GyD.F4y2Ba“类名”GyD.F4y2Ba,{GyD.F4y2Ba'setosa'GyD.F4y2Ba那GyD.F4y2Ba“多色的”GyD.F4y2Ba那GyD.F4y2Ba“virginica”GyD.F4y2Ba});GyD.F4y2Ba
MdlGyD.F4y2Ba
是一个GyD.F4y2BaClassificationECOCGyD.F4y2Ba
分类器。您可以使用点表示法访问其属性。GyD.F4y2Ba
旨在GyD.F4y2BaMdlGyD.F4y2Ba
使用10倍交叉验证。GyD.F4y2Ba
CVMdl = crossval (Mdl);GyD.F4y2Ba
CVMdlGyD.F4y2Ba
是一个GyD.F4y2BaClassificationPartitionedECOCGyD.F4y2Ba
旨在ECOC分类器。GyD.F4y2Ba
估计广义分类错误。GyD.F4y2Ba
genError = kfoldLoss (CVMdl)GyD.F4y2Ba
genError = 0.0400GyD.F4y2Ba
广义分类误差为4%,表明ECOC分类器具有较好的泛化能力。GyD.F4y2Ba
使用支持向量机二进制学习器训练ECOC分类器。首先预测训练样本标签和类的后验概率。然后预测网格中每个点的最大类别后验概率。可视化结果。GyD.F4y2Ba
装载Fisher的Iris数据集。将花瓣尺寸指定为预测器和物种名称作为响应。GyD.F4y2Ba
负载GyD.F4y2BafisheririsGyD.F4y2BaX = MEAS(:,3:4);y =物种;RNG(1);GyD.F4y2Ba%的再现性GyD.F4y2Ba
创建SVM模板。标准化预测器,并指定高斯内核。GyD.F4y2Ba
t = templatesvm(GyD.F4y2Ba“标准化”GyD.F4y2Ba,真的,GyD.F4y2Ba“KernelFunction”GyD.F4y2Ba那GyD.F4y2Ba“高斯”GyD.F4y2Ba);GyD.F4y2Ba
T.GyD.F4y2Ba
是一个支持向量机模板。它的大部分属性都是空的。当软件训练ECOC分类器时,它将适用的属性设置为它们的默认值。GyD.F4y2Ba
使用SVM模板列车ecoc分类器。将分类分数转换为课程后概率(由此返回GyD.F4y2Ba预测GyD.F4y2Ba
或GyD.F4y2Ba重新预订GyD.F4y2Ba
) 使用GyD.F4y2Ba'fitposterior'GyD.F4y2Ba
名称-值对的论点。属性指定类的顺序GyD.F4y2Ba“类名”GyD.F4y2Ba
名称-值对的论点。方法在训练期间显示诊断消息GyD.F4y2Ba“详细”GyD.F4y2Ba
名称-值对的论点。GyD.F4y2Ba
mdl = fitcecoc(x,y,GyD.F4y2Ba'学习者'GyD.F4y2Ba,T,GyD.F4y2Ba'fitposterior'GyD.F4y2Ba,真的,GyD.F4y2Ba...GyD.F4y2Ba“类名”GyD.F4y2Ba,{GyD.F4y2Ba'setosa'GyD.F4y2Ba那GyD.F4y2Ba“多色的”GyD.F4y2Ba那GyD.F4y2Ba“virginica”GyD.F4y2Ba},GyD.F4y2Ba...GyD.F4y2Ba“详细”GyD.F4y2Ba2);GyD.F4y2Ba
培训二进制学习者1(SVM),其中3个,50个负和50个阳性观察。负类指数:2个正类指数:1用于学习者1(SVM)的后验概率。培训二元学习者2(SVM),其中3个,50个负和50个阳性观察。负类指数:3个正类指数:1拟合学习者2(SVM)的后验概率。培训二进制学习者3(SVM),其中50个负和50个阳性观察。负类指数:3个正类指数:2学习者3(SVM)的拟合后验概率。GyD.F4y2Ba
MdlGyD.F4y2Ba
是一个GyD.F4y2BaClassificationECOCGyD.F4y2Ba
模型。同样的SVM模板适用于每个二进制学习,但你可以通过在模板的细胞载体调整每个二进制学习者选择。GyD.F4y2Ba
预测训练样本标签和一流的后验概率。通过使用显示标签和类后验概率的计算期间的诊断消息GyD.F4y2Ba“详细”GyD.F4y2Ba
名称-值对的论点。GyD.F4y2Ba
[标签,~,~,后]= resubPredict (Mdl,GyD.F4y2Ba“详细”GyD.F4y2Ba1);GyD.F4y2Ba
对所有学习者的预测都进行了计算。计算了所有观测的损失。计算后验概率…GyD.F4y2Ba
Mdl。BinaryLossGyD.F4y2Ba
ans =“二次”GyD.F4y2Ba
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。由于所有二进制学习器都在计算后验概率,因此二进制损失函数为GyD.F4y2Ba二次GyD.F4y2Ba
.GyD.F4y2Ba
显示一组随机的结果。GyD.F4y2Ba
idx = randsample(大小(X, 1), 10日1);Mdl。CL.一种S.S.的名字S.GyD.F4y2Ba
ans =GyD.F4y2Ba3x1细胞GyD.F4y2Ba{'setosa'} {'versicolor'} {'virginica'}GyD.F4y2Ba
表(Y(IDX),标签(IDX),后退(IDX,:),GyD.F4y2Ba...GyD.F4y2Ba“VariableNames”GyD.F4y2Ba,{GyD.F4y2Ba'truilabel'GyD.F4y2Ba那GyD.F4y2Ba'predlabel'GyD.F4y2Ba那GyD.F4y2Ba'后后'GyD.F4y2Ba})GyD.F4y2Ba
ANS =GyD.F4y2Ba10×3表GyD.F4y2BaTrueLabel PredLabel后 ______________ ______________ ______________________________________ {' virginica’}{‘virginica} 0.0039322 0.003987 0.99208{‘virginica}{‘virginica} 0.017067 0.018263 0.96467{‘virginica}{‘virginica} 0.014948 0.015856 0.9692{“癣”}{“癣”}2.2197 e-14 0.87318 - 0.12682{‘setosa} {' setosa '}0.999 0.029985 {'versicolor'} {'versicolor'}} 0.0085642 0.98259 0.0088487 {'setosa'} {'setosa'} 0.999 0.00024992 0.0088487 {'setosa'} {'setosa'} 0.999 0.00024913 0.00074717GyD.F4y2Ba
列的列GyD.F4y2Ba后GyD.F4y2Ba
对应于的类序GyD.F4y2BaMdl。CL.一种S.S.的名字S.GyD.F4y2Ba
.GyD.F4y2Ba
在观测的预测器空间中定义一个网格值。预测网格中每个实例的后验概率。GyD.F4y2Ba
xMax = max (X);xMin = min (X);x1Pts = linspace (xMin (1) xMax (1));xMax x2Pts = linspace (xMin (2), (2));[x1Grid, x2Grid] = meshgrid (x1Pts x2Pts);[~, ~, ~, PosteriorRegion] =预测(Mdl, [x1Grid (:), x2Grid (:)));GyD.F4y2Ba
对于网格上的每个坐标,请在所有类别中绘制最大类后概率。GyD.F4y2Ba
contourf (x1Grid x2Grid,GyD.F4y2Ba...GyD.F4y2Ba重塑(max (PosteriorRegion[], 2),大小(x1Grid, 1),大小(x1Grid, 2)));h = colorbar;h.YLabel.String =GyD.F4y2Ba'最大后后'GyD.F4y2Ba;h.YLabel.FontSize = 15;抓住GyD.F4y2Ba在GyD.F4y2Bagh = gscatter (X (: 1), X (:, 2), Y,GyD.F4y2Ba'KRK'GyD.F4y2Ba那GyD.F4y2Ba‘* xd‘GyD.F4y2Ba8);gh(2)。L.一世NE.宽度=2;gh(3)。L.一世NE.宽度= 2; title('虹膜瓣测量和最大后后'GyD.F4y2Ba)包含(GyD.F4y2Ba“花瓣长度(厘米)”GyD.F4y2Ba) ylabel (GyD.F4y2Ba“花瓣宽度(cm)”GyD.F4y2Ba)轴GyD.F4y2Ba紧的GyD.F4y2Ba传奇(gh,GyD.F4y2Ba'地点'GyD.F4y2Ba那GyD.F4y2Ba“西北”GyD.F4y2Ba)举行GyD.F4y2Ba从GyD.F4y2Ba
使用a列车一个与所有ecoc分类器GyD.F4y2Ba温博GyD.F4y2Ba
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GyD.F4y2BafitcecocGyD.F4y2Ba
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™。GyD.F4y2Ba
加载样本数据GyD.F4y2Ba
装入并检查GyD.F4y2Ba心律失常GyD.F4y2Ba
数据集。GyD.F4y2Ba
负载GyD.F4y2Ba心律失常GyD.F4y2Ba(氮、磷)大小(X) =GyD.F4y2Ba
n = 452GyD.F4y2Ba
p = 279GyD.F4y2Ba
isLabels =独特(Y);nLabels =元素个数(isLabels)GyD.F4y2Ba
nlabels = 13.GyD.F4y2Ba
汇总(分类(Y))GyD.F4y2Ba
值计数百分比1 245 54.20%2 44 9.73%3 15 3.32%4 15 3.32%513 2.88%6 25 5.53%7 3 0.66%8 2 0.44%9 9 1.90%10 50 11.06%14 0.88%11.06%14 0.88%15 5 1.11%16 22 4.87%GyD.F4y2Ba
数据集包含GyD.F4y2Ba279GyD.F4y2Ba
预测因素和样本量GyD.F4y2Ba452GyD.F4y2Ba
相对较小。在16个不同的标签中,只有13个在响应中表示(GyD.F4y2BayGyD.F4y2Ba
).每个标签描述各种心律失常,54.20%的观察员在课堂上GyD.F4y2Ba1GyD.F4y2Ba
.GyD.F4y2Ba
训练一个对所有ECOC分类器GyD.F4y2Ba
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GyD.F4y2Ba'温船'GyD.F4y2Ba
对于方法,GyD.F4y2BaOne hundred.GyD.F4y2Ba
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。GyD.F4y2Ba
tTree = templateTree(GyD.F4y2Ba“代孕”GyD.F4y2Ba那GyD.F4y2Ba“上”GyD.F4y2Ba);tEnsemble = templateEnsemble (GyD.F4y2Ba'温船'GyD.F4y2Ba, 100年,tTree);GyD.F4y2Ba
tEnsembleGyD.F4y2Ba
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。GyD.F4y2Ba
使用决策树的集合作为二叉学习器来训练一个一对所有的ECOC分类器。为了加快训练速度,可以使用装箱和并行计算。GyD.F4y2Ba
啤酒(GyD.F4y2Ba“NumBins”,50岁GyD.F4y2Ba
) -当你有一个大的训练数据集时,你可以通过使用GyD.F4y2Ba“NumBins”GyD.F4y2Ba
名称-值对的论点。此参数仅在以下情况下有效GyD.F4y2BafitcecocGyD.F4y2Ba
使用树学习者。如果您指定了GyD.F4y2Ba“NumBins”GyD.F4y2Ba
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GyD.F4y2Ba“NumBins”,50岁GyD.F4y2Ba
先改,再改GyD.F4y2Ba“NumBins”GyD.F4y2Ba
值取决于准确性和训练速度。GyD.F4y2Ba
并行计算(GyD.F4y2Ba'选项',statset('deverypallellel',true)GyD.F4y2Ba
) - 用一个并行计算工具箱许可证,则可以加快通过使用并行计算,它发送每个二进制学习者到池中一个工人的计算。工人的数量取决于您的系统配置。当你对二进制学习者使用决策树时,GyD.F4y2BafitcecocGyD.F4y2Ba
使用英特尔®线程构建块(TBB)并行训练双核或以上系统。因此,指定GyD.F4y2Ba“UseParallel”GyD.F4y2Ba
选项在单个计算机上没有帮助。在集群上使用此选项。GyD.F4y2Ba
另外,指定先验概率为1/GyD.F4y2BaK.GyD.F4y2Ba, 在哪里GyD.F4y2BaK.GyD.F4y2Ba= 13是不同类的数量。GyD.F4y2Ba
选项= statset(GyD.F4y2Ba“UseParallel”GyD.F4y2Ba,真的);mdl = fitcecoc(x,y,GyD.F4y2Ba“编码”GyD.F4y2Ba那GyD.F4y2Ba'Onevsall'GyD.F4y2Ba那GyD.F4y2Ba'学习者'GyD.F4y2BatEnsemble,GyD.F4y2Ba...GyD.F4y2Ba'事先的'GyD.F4y2Ba那GyD.F4y2Ba“统一”GyD.F4y2Ba那GyD.F4y2Ba“NumBins”GyD.F4y2Ba, 50岁,GyD.F4y2Ba“选项”GyD.F4y2Ba,选项);GyD.F4y2Ba
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)。GyD.F4y2Ba
MdlGyD.F4y2Ba
是一个GyD.F4y2BaClassificationECOCGyD.F4y2Ba
模型。GyD.F4y2Ba
交叉验证GyD.F4y2Ba
使用10倍交叉验证交叉验证ECOC分类器。GyD.F4y2Ba
cvmdl = crossval(mdl,GyD.F4y2Ba“选项”GyD.F4y2Ba,选项);GyD.F4y2Ba
警告:一个或多个折叠不包含来自所有组的点。GyD.F4y2Ba
CVMdlGyD.F4y2Ba
是一个GyD.F4y2BaClassificationPartitionedECOCGyD.F4y2Ba
模型。警告表示某些类未在软件列到至少一个折叠时表示。因此,这些折叠无法预测缺失类的标签。您可以使用小区索引和点表示法检查折叠的结果。例如,通过进入访问第一个折叠的结果GyD.F4y2BaCVMdl。训练有素的{1}GyD.F4y2Ba
.GyD.F4y2Ba
使用交叉验证的ECOC分类器来预测验证折叠标签。你可以用GyD.F4y2BaconfusionchartGyD.F4y2Ba
.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。GyD.F4y2Ba
Ooflabel = kfoldpredict(cvmdl,GyD.F4y2Ba“选项”GyD.F4y2Ba,选项);Confmat = ConfusionChart(Y,Ooflabel,GyD.F4y2Ba'rowsmumary'GyD.F4y2Ba那GyD.F4y2Ba“total-normalized”GyD.F4y2Ba);ConfMat。在NE.rPosition = [0.10 0.12 0.85 0.85];
复制分箱数据GyD.F4y2Ba
通过使用GyD.F4y2Ba毕业生GyD.F4y2Ba
训练模型的性质和GyD.F4y2Ba离散化GyD.F4y2Ba
函数。GyD.F4y2Ba
X = Mdl.X;GyD.F4y2Ba%预测仪数据GyD.F4y2BaXbinned = 0(大小(X));边缘= Mdl.BinEdges;GyD.F4y2Ba%查找分级预测的指标。GyD.F4y2BaidxNumeric =找到(~ cellfun (@isempty边缘));GyD.F4y2Ba如果GyD.F4y2Baiscolumn(idxNumeric) idxNumeric = idxNumeric';GyD.F4y2Ba结束GyD.F4y2Ba为GyD.F4y2Baj = idxNumeric x = x (:,j);GyD.F4y2Ba如果x是表,%将x转换为数组。GyD.F4y2Ba如果GyD.F4y2BaIstable (x) x = table2array(x);GyD.F4y2Ba结束GyD.F4y2Ba%使用离散函数将x分组到bins中。GyD.F4y2Baxbinned =离散化(x,[无穷;边缘{};正]);Xbinned (:, j) = Xbinned;GyD.F4y2Ba结束GyD.F4y2Ba
xbinned.GyD.F4y2Ba
包含用于数字预测器的容器索引,范围从1到容器数量。GyD.F4y2Baxbinned.GyD.F4y2Ba
值是GyD.F4y2Ba0.GyD.F4y2Ba
对于分类预测器。如果GyD.F4y2BaXGyD.F4y2Ba
包含GyD.F4y2Ba南GyD.F4y2Ba
s,然后相应的GyD.F4y2Baxbinned.GyD.F4y2Ba
值是GyD.F4y2Ba南GyD.F4y2Ba
年代。GyD.F4y2Ba
自动优化HyperParametersGyD.F4y2BafitcecocGyD.F4y2Ba
.GyD.F4y2Ba
加载GyD.F4y2BafisheririsGyD.F4y2Ba
数据集。GyD.F4y2Ba
负载GyD.F4y2BafisheririsGyD.F4y2BaX =量;y =物种;GyD.F4y2Ba
找到通过使用自动封路计优化来最小化五倍交叉验证损耗的高参数。为了再现性,设置随机种子并使用GyD.F4y2Ba'预期改善加'GyD.F4y2Ba
采集功能。GyD.F4y2Ba
rngGyD.F4y2Ba默认的GyD.F4y2Bamdl = fitcecoc(x,y,GyD.F4y2Ba“OptimizeHyperparameters”GyD.F4y2Ba那GyD.F4y2Ba'汽车'GyD.F4y2Ba那GyD.F4y2Ba...GyD.F4y2Ba“HyperparameterOptimizationOptions”GyD.F4y2Ba结构(GyD.F4y2Ba'获取功能名称'GyD.F4y2Ba那GyD.F4y2Ba...GyD.F4y2Ba'预期改善加'GyD.F4y2Ba)))GyD.F4y2Ba
| ==================================================================================================================== ||磨练|eval |目标|目标|Bestsofar |Bestsofar |编码|boxconstraint | KernelScale | | | result | | runtime | (observed) | (estim.) | | | | |====================================================================================================================| | 1 | Best | 0.10667 | 0.98396 | 0.10667 | 0.10667 | onevsone | 5.6939 | 200.36 | | 2 | Best | 0.066667 | 3.6612 | 0.066667 | 0.068735 | onevsone | 94.849 | 0.0032549 | | 3 | Accept | 0.08 | 0.4554 | 0.066667 | 0.066837 | onevsall | 0.01378 | 0.076021 | | 4 | Accept | 0.08 | 0.24984 | 0.066667 | 0.066676 | onevsall | 889 | 38.798 | | 5 | Best | 0.04 | 0.52661 | 0.04 | 0.040502 | onevsone | 0.021561 | 0.01569 | | 6 | Accept | 0.04 | 0.32599 | 0.04 | 0.039999 | onevsone | 0.48338 | 0.02941 | | 7 | Accept | 0.04 | 0.33704 | 0.04 | 0.039989 | onevsone | 305.45 | 0.18647 | | 8 | Best | 0.026667 | 0.36611 | 0.026667 | 0.026674 | onevsone | 0.0010168 | 0.10757 | | 9 | Accept | 0.086667 | 0.24971 | 0.026667 | 0.026669 | onevsone | 0.001007 | 0.3275 | | 10 | Accept | 0.046667 | 1.3398 | 0.026667 | 0.026673 | onevsone | 736.18 | 0.071026 | | 11 | Accept | 0.04 | 0.35546 | 0.026667 | 0.035679 | onevsone | 35.928 | 0.13079 | | 12 | Accept | 0.033333 | 0.31774 | 0.026667 | 0.030065 | onevsone | 0.0017593 | 0.11245 | | 13 | Accept | 0.026667 | 0.26496 | 0.026667 | 0.026544 | onevsone | 0.0011306 | 0.062222 | | 14 | Accept | 0.026667 | 0.34133 | 0.026667 | 0.026089 | onevsone | 0.0011124 | 0.079161 | | 15 | Accept | 0.026667 | 0.24303 | 0.026667 | 0.026184 | onevsone | 0.0014395 | 0.073096 | | 16 | Best | 0.02 | 0.207 | 0.02 | 0.021144 | onevsone | 0.0010299 | 0.035054 | | 17 | Accept | 0.02 | 0.33381 | 0.02 | 0.020431 | onevsone | 0.0010379 | 0.03138 | | 18 | Accept | 0.033333 | 0.25211 | 0.02 | 0.024292 | onevsone | 0.0011889 | 0.02915 | | 19 | Accept | 0.02 | 0.31439 | 0.02 | 0.022327 | onevsone | 0.0011336 | 0.042445 | | 20 | Best | 0.013333 | 0.32092 | 0.013333 | 0.020178 | onevsone | 0.0010854 | 0.048345 | |====================================================================================================================| | Iter | Eval | Objective | Objective | BestSoFar | BestSoFar | Coding | BoxConstraint| KernelScale | | | result | | runtime | (observed) | (estim.) | | | | |====================================================================================================================| | 21 | Accept | 0.5 | 13.143 | 0.013333 | 0.020718 | onevsall | 689.42 | 0.001007 | | 22 | Accept | 0.33333 | 0.33577 | 0.013333 | 0.018299 | onevsall | 0.0011091 | 1.2155 | | 23 | Accept | 0.33333 | 0.38918 | 0.013333 | 0.017851 | onevsall | 529.11 | 372.18 | | 24 | Accept | 0.04 | 0.20733 | 0.013333 | 0.017879 | onevsone | 853.41 | 22.141 | | 25 | Accept | 0.046667 | 0.21844 | 0.013333 | 0.018114 | onevsone | 744.03 | 6.3339 | | 26 | Accept | 0.10667 | 0.31981 | 0.013333 | 0.018226 | onevsone | 0.0010775 | 999.54 | | 27 | Accept | 0.04 | 0.26125 | 0.013333 | 0.018557 | onevsone | 0.0020893 | 0.001005 | | 28 | Accept | 0.10667 | 0.30651 | 0.013333 | 0.019634 | onevsone | 0.0010666 | 12.404 | | 29 | Accept | 0.32 | 12.703 | 0.013333 | 0.018352 | onevsall | 951.6 | 0.027202 | | 30 | Accept | 0.04 | 0.24213 | 0.013333 | 0.018597 | onevsone | 936.87 | 1.7813 |
__________________________________________________________ 优化完成。maxobjective达到30个。总函数计算:30总运行时间:62.709秒总目标函数计算时间:39.5724最佳观测可行点:编码框约束KernelScale ________ _____________ ___________ onevsone 0.0010854 0.048345观测目标函数值= 0.013333估计目标函数值= 0.018594函数计算时间= 0.32092最佳估计可行点(根据模型):编码框约束KernelScale ________ _____________ ___________ onevsone 0.0011336 0.042445估计的目标函数值= 0.018597估计的函数计算时间= 0.2867GyD.F4y2Ba
mdl = classificationecoc racitchename:'y'pationoricalpricictors:[] classnames:{'setosa''versicolor''virginica'} scoreTransform:'none'binarylearners:{3x1 cell} codingname:'Onevsone'HyperParetErtimizationResults:[1x1贝叶斯optimization]属性,方法GyD.F4y2Ba
创建两个在高数据上培训的多种多组ECOC型号。为另一个模型和内核二进制学习者使用线性二进制学习者。比较两种模型的重新提交分类错误。GyD.F4y2Ba
一般而言,您可以通过使用执行多款数据的高数据分类GyD.F4y2BafitcecocGyD.F4y2Ba
用线性或核二进制学习器。当你使用GyD.F4y2BafitcecocGyD.F4y2Ba
要在高数组上训练模型,你不能直接使用SVM二进制学习器。但是,您可以使用使用svm的线性或内核二进制分类模型。GyD.F4y2Ba
当您在高数组上执行计算时,MATLAB®使用一个并行池(如果您有parallel Computing Toolbox™,则默认)或本地MATLAB会话。如果您希望在拥有Parallel Computing Toolbox时使用本地MATLAB会话运行该示例,则可以通过使用GyD.F4y2BamapreduceGyD.F4y2Ba
函数。GyD.F4y2Ba
创建引用包含Fisher虹膜数据集的文件夹的数据存储。指定GyD.F4y2Ba“NA”GyD.F4y2Ba
值作为缺少数据的值GyD.F4y2Ba数据存储GyD.F4y2Ba
取代他们GyD.F4y2Ba南GyD.F4y2Ba
值。创建预测器和响应数据的高版本。GyD.F4y2Ba
ds =数据存储(GyD.F4y2Ba'fisheriris.csv'GyD.F4y2Ba那GyD.F4y2Ba“TreatAsMissing”GyD.F4y2Ba那GyD.F4y2Ba“NA”GyD.F4y2Ba);t =高(ds);GyD.F4y2Ba
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)。GyD.F4y2Ba
X = [t.SepalLength t.SepalWidth t.PetalLength t.PetalWidth];Y = t.Species;GyD.F4y2Ba
标准化预测数据。GyD.F4y2Ba
Z = zscore (X);GyD.F4y2Ba
火车使用高数据和线性二进制学习者的多种多组ECOC模型。默认情况下,当您将高阵列传递到GyD.F4y2BafitcecocGyD.F4y2Ba
,软件培训使用SVM的线性二进制学习者。因为响应数据只包含三个唯一类,所以将编码方案从一个与所有(默认值)更改为毫无(默认值)(在您使用内存数据时是默认值)。GyD.F4y2Ba
为了再现性,使用。设置随机数生成器的种子GyD.F4y2BarngGyD.F4y2Ba
和GyD.F4y2BatallrngGyD.F4y2Ba
.结果可能会根据高数组的工作人员数量和执行环境而有所不同。有关详细信息,请参阅GyD.F4y2Ba控制代码运行的位置GyD.F4y2Ba.GyD.F4y2Ba
rng (GyD.F4y2Ba'默认'GyD.F4y2Ba) tallrng (GyD.F4y2Ba'默认'GyD.F4y2Ba) mdlLinear = fitcecoc(Z,Y,GyD.F4y2Ba“编码”GyD.F4y2Ba那GyD.F4y2Ba“onevsone”GyD.F4y2Ba)GyD.F4y2Ba
训练二元学习者1(线性)3。训练二元学习者2(线性)3。训练二元学习者3(线性)的3。GyD.F4y2Ba
mdlLinear = CompactClassificationECOC ResponseName: 'Y' ClassNames: {'setosa' 'versicolor' 'virginica'} ScoreTransform: 'none' BinaryLearners: {3×1 cell} CodingMatrix: [3×3 double]属性,方法GyD.F4y2Ba
mdlLinearGyD.F4y2Ba
是一个GyD.F4y2BaCompactClassificationECOCGyD.F4y2Ba
模型由三个二元学习者组成。GyD.F4y2Ba
训练一个使用高数据和内核二进制学习器的多类ECOC模型。首先,创建一个GyD.F4y2BaTemplateKernel.GyD.F4y2Ba
对象以指定内核二进制学习者的性能;特别是,增加扩展的维数,以GyD.F4y2Ba
.GyD.F4y2Ba
tKernel = templateKernel (GyD.F4y2Ba“NumExpansionDimensions”GyD.F4y2Ba2 ^ 16)GyD.F4y2Ba
tKernel =适合Kernel分类的模板。betaterance: [] BlockSize: [] BoxConstraint: [] Epsilon: [] NumExpansionDimensions: 65536 GradientTolerance: [] HessianHistorySize: [] IterationLimit: [] KernelScale: [] Lambda: [] Learner: 'svm' LossFunction: [] Stream: [] VerbosityLevel: [] Version: 1 Method: 'Kernel' Type: 'classification'GyD.F4y2Ba
默认情况下,内核二进制学习器使用支持向量机。GyD.F4y2Ba
通过GyD.F4y2BaTemplateKernel.GyD.F4y2Ba
对象GyD.F4y2BafitcecocGyD.F4y2Ba
然后把编码改成一对一。GyD.F4y2Ba
mdlKernel = fitcecoc (Z, Y,GyD.F4y2Ba'学习者'GyD.F4y2BatKernel,GyD.F4y2Ba“编码”GyD.F4y2Ba那GyD.F4y2Ba“onevsone”GyD.F4y2Ba)GyD.F4y2Ba
培训二进制学习者1(内核)。培训二进制学习者2(内核)的3.培训二进制学习者3(内核)中的3个。GyD.F4y2Ba
mdlkernel = compactClassificyecoc racitchename:'y'classnames:{'setosa''versicolor''virginica'} scoreTransform:'无'BinaryLearners:{3×1个单元} CodingMatrix:[3×3双]属性,方法GyD.F4y2Ba
mdlKernelGyD.F4y2Ba
也是A.GyD.F4y2BaCompactClassificationECOCGyD.F4y2Ba
模型由三个二元学习者组成。GyD.F4y2Ba
比较两种模型的重新提交分类错误。GyD.F4y2Ba
errorlinear =收集(丢失(mdllinear,z,y)))GyD.F4y2Ba
使用Parallel Pool 'local'计算tall表达式GyD.F4y2Ba
errorlinear = 0.0333.GyD.F4y2Ba
errorKernel =收集(损失(mdlKernel, Z, Y))GyD.F4y2Ba
评估使用并行池“本地”高表达: - 的1遍1:在15秒评价完成在16秒完成GyD.F4y2Ba
errorkernel = 0.0067.GyD.F4y2Ba
mdlKernelGyD.F4y2Ba
误分类训练数据的百分比小于GyD.F4y2BamdlLinearGyD.F4y2Ba
.GyD.F4y2Ba
TBL.GyD.F4y2Ba
-GyD.F4y2Ba样本数据GyD.F4y2Ba样本数据,指定为表。每一行的GyD.F4y2BaTBL.GyD.F4y2Ba
对应一个观测值,每列对应一个预测值。可选地,GyD.F4y2BaTBL.GyD.F4y2Ba
可以为响应变量包含一个额外的列。不接受多列变量和字符向量的单元格数组之外的单元格数组。GyD.F4y2Ba
如果GyD.F4y2BaTBL.GyD.F4y2Ba
包含响应变量,并且您希望使用所有剩余的变量GyD.F4y2BaTBL.GyD.F4y2Ba
作为预测器,然后使用GyD.F4y2BaResponseVarNameGyD.F4y2Ba
.GyD.F4y2Ba
如果GyD.F4y2BaTBL.GyD.F4y2Ba
包含响应变量,并且只想仅使用剩余变量的子集GyD.F4y2BaTBL.GyD.F4y2Ba
作为预测器,指定公式使用GyD.F4y2Ba公式GyD.F4y2Ba
.GyD.F4y2Ba
如果GyD.F4y2BaTBL.GyD.F4y2Ba
不包含响应变量,使用响应变量使用GyD.F4y2BayGyD.F4y2Ba
.响应变量的长度和数量GyD.F4y2BaTBL.GyD.F4y2Ba
行必须是相等的。GyD.F4y2Ba
数据类型:GyD.F4y2Ba表格GyD.F4y2Ba
ResponseVarNameGyD.F4y2Ba
-GyD.F4y2Ba响应变量名GyD.F4y2BaTBL.GyD.F4y2Ba
中的响应变量名,指定为变量名GyD.F4y2BaTBL.GyD.F4y2Ba
.GyD.F4y2Ba
您必须指定GyD.F4y2BaResponseVarNameGyD.F4y2Ba
作为字符向量或字符串标量。例如,如果响应变量GyD.F4y2BayGyD.F4y2Ba
存储为GyD.F4y2Batbl.y.GyD.F4y2Ba
,则指定为GyD.F4y2Ba“Y”GyD.F4y2Ba
.否则,软件将对所有列进行处理GyD.F4y2BaTBL.GyD.F4y2Ba
, 包含GyD.F4y2BayGyD.F4y2Ba
,作为训练模型时的预测器。GyD.F4y2Ba
response变量必须是一个分类数组、字符数组或字符串数组;逻辑或数字向量;或者字符向量的单元格数组。如果GyD.F4y2BayGyD.F4y2Ba
是字符数组,则响应变量的每个元素必须对应于数组的一行。GyD.F4y2Ba
方法指定类的顺序是一种好的实践GyD.F4y2BaClassnames.GyD.F4y2Ba
名称值参数。GyD.F4y2Ba
数据类型:GyD.F4y2BacharGyD.F4y2Ba
|GyD.F4y2Ba细绳GyD.F4y2Ba
公式GyD.F4y2Ba
-GyD.F4y2Ba反应变量和预测变量子集的解释模型GyD.F4y2Ba响应变量的解释模型和预测变量的子集,指定为表单中的字符向量或字符串标量GyD.F4y2Ba“Y ~ x1 + x2 + x3”GyD.F4y2Ba
.在这种形式,GyD.F4y2BayGyD.F4y2Ba
表示响应变量,和GyD.F4y2Bax1GyD.F4y2Ba
那GyD.F4y2Bax2GyD.F4y2Ba
,GyD.F4y2Bax3GyD.F4y2Ba
代表预测变量。GyD.F4y2Ba
中指定变量的子集GyD.F4y2BaTBL.GyD.F4y2Ba
作为培训模型的预测器,使用公式。如果指定公式,则软件不使用任何变量GyD.F4y2BaTBL.GyD.F4y2Ba
没有出现在GyD.F4y2Ba公式GyD.F4y2Ba
.GyD.F4y2Ba
公式中的变量名必须是其中的两个变量名GyD.F4y2BaTBL.GyD.F4y2Ba
(GyD.F4y2Batbl.properties.variablenames.GyD.F4y2Ba
)和有效的matlabGyD.F4y2Ba®GyD.F4y2Ba标识符。您可以验证变量名GyD.F4y2BaTBL.GyD.F4y2Ba
通过使用GyD.F4y2BaisvarnameGyD.F4y2Ba
函数。如果变量名无效,则可以使用GyD.F4y2Bamatlab.lang.makevalidname.GyD.F4y2Ba
函数。GyD.F4y2Ba
数据类型:GyD.F4y2BacharGyD.F4y2Ba
|GyD.F4y2Ba细绳GyD.F4y2Ba
yGyD.F4y2Ba
-GyD.F4y2Ba类标签GyD.F4y2BaECOC模型训练到的类标签,指定为类别、字符或字符串数组、逻辑或数字向量,或字符向量的单元格数组。GyD.F4y2Ba
如果GyD.F4y2BayGyD.F4y2Ba
是字符数组,则每个元素必须与数组的一行相对应。GyD.F4y2Ba
长度GyD.F4y2BayGyD.F4y2Ba
和行的数量GyD.F4y2BaTBL.GyD.F4y2Ba
或GyD.F4y2BaXGyD.F4y2Ba
必须是平等的。GyD.F4y2Ba
属性指定类的顺序是一种良好的实践GyD.F4y2BaClassnames.GyD.F4y2Ba
名称-值对的论点。GyD.F4y2Ba
数据类型:GyD.F4y2Ba分类GyD.F4y2Ba
|GyD.F4y2BacharGyD.F4y2Ba
|GyD.F4y2Ba细绳GyD.F4y2Ba
|GyD.F4y2Ba逻辑GyD.F4y2Ba
|GyD.F4y2Ba单GyD.F4y2Ba
|GyD.F4y2Ba双倍的GyD.F4y2Ba
|GyD.F4y2Ba细胞GyD.F4y2Ba
XGyD.F4y2Ba
-GyD.F4y2Ba预测数据GyD.F4y2Ba预测数据,指定为完整或稀疏矩阵。GyD.F4y2Ba
长度GyD.F4y2BayGyD.F4y2Ba
观察的次数GyD.F4y2BaXGyD.F4y2Ba
必须是平等的。GyD.F4y2Ba
以它们的外观顺序指定预测器的名称GyD.F4y2BaXGyD.F4y2Ba
,可以使用GyD.F4y2BaPredictorNamesGyD.F4y2Ba
名称-值对的论点。GyD.F4y2Ba
请注意GyD.F4y2Ba
对于线性分类学习者,如果你定位GyD.F4y2BaXGyD.F4y2Ba
这样观察结果对应列并指定GyD.F4y2Ba“ObservationsIn”、“列”GyD.F4y2Ba
,则可以显著减少优化执行时间。GyD.F4y2Ba
对于所有其他学习者,东方GyD.F4y2BaXGyD.F4y2Ba
所以观察值对应行。GyD.F4y2Ba
fitcecocGyD.F4y2Ba
金宝app仅支持稀疏矩阵用于训练线性分类模型。GyD.F4y2Ba
数据类型:GyD.F4y2Ba双倍的GyD.F4y2Ba
|GyD.F4y2Ba单GyD.F4y2Ba
请注意GyD.F4y2Ba
该软件将GyD.F4y2Ba南GyD.F4y2Ba
,空字符向量(GyD.F4y2Ba''GyD.F4y2Ba
),空字符串(GyD.F4y2Ba""GyD.F4y2Ba
),GyD.F4y2Ba<缺失>GyD.F4y2Ba
,GyD.F4y2Ba<定义>GyD.F4y2Ba
元素作为缺失的数据。该软件删除的行GyD.F4y2BaXGyD.F4y2Ba
对应于缺失的值GyD.F4y2BayGyD.F4y2Ba
.但是,对中缺失值的处理GyD.F4y2BaXGyD.F4y2Ba
在二元学习者中有所不同。有关详细信息,请参见针对二进制学习者的培训函数:GyD.F4y2Bafitcdiscr.GyD.F4y2Ba
那GyD.F4y2BafitckernelGyD.F4y2Ba
那GyD.F4y2BafitcknnGyD.F4y2Ba
那GyD.F4y2BafitclinearGyD.F4y2Ba
那GyD.F4y2BafitcnbGyD.F4y2Ba
那GyD.F4y2Bafitcsvm.GyD.F4y2Ba
那GyD.F4y2BafitctreeGyD.F4y2Ba
,或GyD.F4y2BafitcensembleGyD.F4y2Ba
.去除观察减少了有效训练或交叉验证的样品量。GyD.F4y2Ba
指定可选的逗号分离对GyD.F4y2Ba名称,值GyD.F4y2Ba
参数。GyD.F4y2Ba的名字GyD.F4y2Ba
参数名和GyD.F4y2Ba价值GyD.F4y2Ba
为对应值。GyD.F4y2Ba的名字GyD.F4y2Ba
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GyD.F4y2BaName1, Value1,…,的家GyD.F4y2Ba
.GyD.F4y2Ba
“学习者”,“树”、“编码”,“onevsone”、“CrossVal”,“上”GyD.F4y2Ba
指定对所有二进制学习者使用决策树,采用一对一编码设计,并实现10次交叉验证。GyD.F4y2Ba
请注意GyD.F4y2Ba
的参数不能同时使用任何交叉验证的名称-值对参数GyD.F4y2Ba“OptimizeHyperparameters”GyD.F4y2Ba
名称-值对的论点。您可以修改交叉验证GyD.F4y2Ba“OptimizeHyperparameters”GyD.F4y2Ba
只有使用GyD.F4y2Ba“HyperparameterOptimizationOptions”GyD.F4y2Ba
名称-值对的论点。GyD.F4y2Ba
“编码”GyD.F4y2Ba
-GyD.F4y2Ba编码设计GyD.F4y2Ba“onevsone”GyD.F4y2Ba
(默认)|GyD.F4y2Ba“allpairs”GyD.F4y2Ba
|GyD.F4y2Ba“binarycomplete”GyD.F4y2Ba
|GyD.F4y2Ba'denserandom'GyD.F4y2Ba
|GyD.F4y2Ba'Onevsall'GyD.F4y2Ba
|GyD.F4y2Ba“顺序”GyD.F4y2Ba
|GyD.F4y2Ba'sparserandom'GyD.F4y2Ba
|GyD.F4y2Ba“ternarycomplete”GyD.F4y2Ba
|GyD.F4y2Ba数字矩阵GyD.F4y2Ba编码设计名称,指定为逗号分隔对,由GyD.F4y2Ba“编码”GyD.F4y2Ba
和该表中的数字矩阵或值。GyD.F4y2Ba
价值GyD.F4y2Ba | 二元学习者人数GyD.F4y2Ba | 描述GyD.F4y2Ba |
---|---|---|
“allpairs”GyD.F4y2Ba 和GyD.F4y2Ba“onevsone”GyD.F4y2Ba |
K.GyD.F4y2Ba(GyD.F4y2BaK.GyD.F4y2Ba- 1) / 2GyD.F4y2Ba | 对于每个二进制学习者,一个类是积极的,另一个是消极的,软件忽略了其余的。该设计排除了类对分配的所有组合。GyD.F4y2Ba |
“binarycomplete”GyD.F4y2Ba |
这种设计将类划分为所有的二进制组合,并且不忽略任何类。对于每个二进制学习者,所有类分配都是GyD.F4y2Ba-1GyD.F4y2Ba 和GyD.F4y2Ba1GyD.F4y2Ba 在任务中至少有一个积极和负数。GyD.F4y2Ba |
|
'denserandom'GyD.F4y2Ba |
随机,但大约10个日志GyD.F4y2Ba2GyD.F4y2BaK.GyD.F4y2Ba | 对于每个二进制学习者,软件将类分配为正或负类,每种类型中的至少一个。有关更多详细信息,请参阅GyD.F4y2Ba随机编码设计矩阵GyD.F4y2Ba.GyD.F4y2Ba |
'Onevsall'GyD.F4y2Ba |
K.GyD.F4y2Ba | 对于每个二元学习者来说,有一类是正面的,其余的是负面的。这个设计用尽了积极的课堂作业的所有组合。GyD.F4y2Ba |
“顺序”GyD.F4y2Ba |
K.GyD.F4y2Ba- 1GyD.F4y2Ba | 对于第一个二元学习者,第一堂课是负的,其余的是正的。对于第二个二元学习者,前两个类是否定的,其余的是肯定的,以此类推。GyD.F4y2Ba |
'sparserandom'GyD.F4y2Ba |
随机,但大约15个日志GyD.F4y2Ba2GyD.F4y2BaK.GyD.F4y2Ba | 对于每个二进制学习者,软件随机将类别分配为正或负,概率为0.25,并忽略概率0.5的类。有关更多详细信息,请参阅GyD.F4y2Ba随机编码设计矩阵GyD.F4y2Ba.GyD.F4y2Ba |
“ternarycomplete”GyD.F4y2Ba |
此设计将类分为所有三元组合。所有班级任务都是GyD.F4y2Ba0.GyD.F4y2Ba 那GyD.F4y2Ba-1GyD.F4y2Ba ,GyD.F4y2Ba1GyD.F4y2Ba 作业中至少有一节是积极的,一节是消极的。GyD.F4y2Ba |
您还可以使用自定义编码矩阵指定编码设计。自定义编码矩阵为GyD.F4y2BaK.GyD.F4y2Ba-经过-GyD.F4y2BaL.GyD.F4y2Ba矩阵。每行对应于类,每列对应于二进制学习者。类顺序(行)对应于订单GyD.F4y2BaClassnames.GyD.F4y2Ba
.按照以下指导方针来编写矩阵:GyD.F4y2Ba
自定义编码矩阵的每个元素都必须是GyD.F4y2Ba-1GyD.F4y2Ba
那GyD.F4y2Ba0.GyD.F4y2Ba
,或GyD.F4y2Ba1GyD.F4y2Ba
,该值必须对应于二分类赋值。这个表格描述了GyD.F4y2Ba编码(i, j)GyD.F4y2Ba
,也就是说,学习者的课程GyD.F4y2BajGyD.F4y2Ba
指定在课堂上进行观察GyD.F4y2Ba一世GyD.F4y2Ba
.GyD.F4y2Ba
价值GyD.F4y2Ba | 两个类的任务GyD.F4y2Ba |
---|---|
1GyD.F4y2Ba |
学习者GyD.F4y2BajGyD.F4y2Ba 在课堂上分配观察GyD.F4y2Ba一世GyD.F4y2Ba 到一个负面的课程。GyD.F4y2Ba |
0.GyD.F4y2Ba |
在培训之前,学习者GyD.F4y2BajGyD.F4y2Ba 删除类中的观察值GyD.F4y2Ba一世GyD.F4y2Ba 从数据集。GyD.F4y2Ba |
1GyD.F4y2Ba |
学习者GyD.F4y2BajGyD.F4y2Ba 在课堂上分配观察GyD.F4y2Ba一世GyD.F4y2Ba 一个积极的班级。GyD.F4y2Ba |
每一列必须至少包含一个GyD.F4y2Ba-1GyD.F4y2Ba
或GyD.F4y2Ba1GyD.F4y2Ba
.GyD.F4y2Ba
对于所有列索引GyD.F4y2Ba一世GyD.F4y2Ba
那GyD.F4y2BajGyD.F4y2Ba
这样GyD.F4y2Ba一世GyD.F4y2Ba
≠GyD.F4y2BajGyD.F4y2Ba
那GyD.F4y2Ba编码(:,我)GyD.F4y2Ba
不能等于GyD.F4y2Ba编码(:,j)GyD.F4y2Ba
和GyD.F4y2Ba编码(:,我)GyD.F4y2Ba
不能等于GyD.F4y2Ba- 编码(:,j)GyD.F4y2Ba
.GyD.F4y2Ba
自定义编码矩阵的所有行必须是不同的。GyD.F4y2Ba
有关自定义编码设计矩阵的形式的更多详细信息,请参阅GyD.F4y2Ba自定义编码设计矩阵GyD.F4y2Ba.GyD.F4y2Ba
例子:GyD.F4y2Ba'编码','ternarycomplete'GyD.F4y2Ba
数据类型:GyD.F4y2BacharGyD.F4y2Ba
|GyD.F4y2Ba细绳GyD.F4y2Ba
|GyD.F4y2Ba双倍的GyD.F4y2Ba
|GyD.F4y2Ba单GyD.F4y2Ba
|GyD.F4y2Baint16GyD.F4y2Ba
|GyD.F4y2BaINT32.GyD.F4y2Ba
|GyD.F4y2BaINT64.GyD.F4y2Ba
|GyD.F4y2BaINT8.GyD.F4y2Ba
'fitposterior'GyD.F4y2Ba
-GyD.F4y2Ba标志表示是否将分数转换为后验概率GyD.F4y2Ba假GyD.F4y2Ba
或GyD.F4y2Ba0.GyD.F4y2Ba
(默认)|GyD.F4y2Ba真的GyD.F4y2Ba
或GyD.F4y2Ba1GyD.F4y2Ba
指示是否将分数转换为后验概率的标志,指定为由…组成的逗号分隔对GyD.F4y2Ba'fitposterior'GyD.F4y2Ba
和一个GyD.F4y2Ba真的GyD.F4y2Ba
(GyD.F4y2Ba1GyD.F4y2Ba
)或GyD.F4y2Ba假GyD.F4y2Ba
(GyD.F4y2Ba0.GyD.F4y2Ba
).GyD.F4y2Ba
如果GyD.F4y2BaFitPosteriorGyD.F4y2Ba
是GyD.F4y2Ba真的GyD.F4y2Ba
,然后软件将二值学习者分类分数转换为后验概率。你可以通过使用GyD.F4y2BaKfoldpredictGyD.F4y2Ba
那GyD.F4y2Ba预测GyD.F4y2Ba
,或GyD.F4y2Ba重新预订GyD.F4y2Ba
.GyD.F4y2Ba
fitcecocGyD.F4y2Ba
不支持拟合后验概率金宝app:GyD.F4y2Ba
整体方法是GyD.F4y2BaAdaBoostM2GyD.F4y2Ba
那GyD.F4y2BaLPBoostGyD.F4y2Ba
那GyD.F4y2BaRUSBoostGyD.F4y2Ba
那GyD.F4y2BaRobustBoostGyD.F4y2Ba
,或GyD.F4y2Ba截止船GyD.F4y2Ba
.GyD.F4y2Ba
二元学习者(GyD.F4y2Ba学习者GyD.F4y2Ba
)是实现SVM的线性或内核分类模型。要获得线性或内核分类模型的后验概率,请实现逻辑回归。GyD.F4y2Ba
例子:GyD.F4y2Ba'fitposterior',真实GyD.F4y2Ba
数据类型:GyD.F4y2Ba逻辑GyD.F4y2Ba
'学习者'GyD.F4y2Ba
-GyD.F4y2Ba二进制学习者模板GyD.F4y2Ba“支持向量机”GyD.F4y2Ba
(默认)|GyD.F4y2Ba“判别”GyD.F4y2Ba
|GyD.F4y2Ba'核心'GyD.F4y2Ba
|GyD.F4y2Ba'knn'GyD.F4y2Ba
|GyD.F4y2Ba“线性”GyD.F4y2Ba
|GyD.F4y2Ba'天真宝贝'GyD.F4y2Ba
|GyD.F4y2Ba“树”GyD.F4y2Ba
|GyD.F4y2Ba模板对象GyD.F4y2Ba|GyD.F4y2Ba模板对象的细胞矢量GyD.F4y2Ba二元学习器模板,指定为逗号分隔对,由GyD.F4y2Ba'学习者'GyD.F4y2Ba
以及字符向量、字符串标量、模板对象或模板对象的单元格向量。具体来说,您可以指定二进制分类器,如SVM,以及使用的集成GyD.F4y2Ba温博GyD.F4y2Ba
那GyD.F4y2BaLogitboost.GyD.F4y2Ba
,GyD.F4y2BaRobustBoostGyD.F4y2Ba
,解决多字母问题。然而,GyD.F4y2BafitcecocGyD.F4y2Ba
还支持多种金宝app单型模型作为二进制分类器。GyD.F4y2Ba
如果GyD.F4y2Ba学习者GyD.F4y2Ba
是字符向量或字符串标量,则软件使用指定算法的默认值训练每个二进制学习器。该表总结了现有的算法。GyD.F4y2Ba
价值GyD.F4y2Ba | 描述GyD.F4y2Ba |
---|---|
“判别”GyD.F4y2Ba |
判别分析。有关默认选项,请参见GyD.F4y2Ba模板异教徒GyD.F4y2Ba .GyD.F4y2Ba |
'核心'GyD.F4y2Ba |
内核的分类模型。有关默认选项,请参见GyD.F4y2BaTemplateKernel.GyD.F4y2Ba .GyD.F4y2Ba |
'knn'GyD.F4y2Ba |
K.GyD.F4y2Ba最近的邻居。有关默认选项,请参见GyD.F4y2Batemplateknn.GyD.F4y2Ba .GyD.F4y2Ba |
“线性”GyD.F4y2Ba |
线性分类模型。有关默认选项,请参见GyD.F4y2BatemplateLinearGyD.F4y2Ba .GyD.F4y2Ba |
'天真宝贝'GyD.F4y2Ba |
朴素贝叶斯。有关默认选项,请参见GyD.F4y2BatemplateNaiveBayesGyD.F4y2Ba .GyD.F4y2Ba |
“支持向量机”GyD.F4y2Ba |
支持向量机。有关默认选项,请参见GyD.F4y2BatemplateSVMGyD.F4y2Ba .GyD.F4y2Ba |
“树”GyD.F4y2Ba |
分类树。有关默认选项,请参见GyD.F4y2BatemplateTreeGyD.F4y2Ba .GyD.F4y2Ba |
如果GyD.F4y2Ba学习者GyD.F4y2Ba
是模板对象,然后是每个二进制学习者培训根据所存储的选项。您可以使用以下内容创建模板对象:GyD.F4y2Ba
模板异教徒GyD.F4y2Ba
,判别分析。GyD.F4y2Ba
templateEnsembleGyD.F4y2Ba
,用于集合学习。您必须至少指定学习方法(GyD.F4y2Ba方法GyD.F4y2Ba
),学习者的人数(GyD.F4y2Banlearn.GyD.F4y2Ba
)和学习者的类型(GyD.F4y2Ba学习者GyD.F4y2Ba
).你不能使用GyD.F4y2BaAdaBoostM2GyD.F4y2Ba
二元学习的集合方法。GyD.F4y2Ba
TemplateKernel.GyD.F4y2Ba
,用于内核分类。GyD.F4y2Ba
templateknn.GyD.F4y2Ba
, 为了GyD.F4y2BaK.GyD.F4y2Ba最近的邻居。GyD.F4y2Ba
templateLinearGyD.F4y2Ba
,用于线性分类。GyD.F4y2Ba
templateNaiveBayesGyD.F4y2Ba
,朴素的贝父。GyD.F4y2Ba
templateSVMGyD.F4y2Ba
支持向量机。GyD.F4y2Ba
templateTreeGyD.F4y2Ba
,用于分类树。GyD.F4y2Ba
如果GyD.F4y2Ba学习者GyD.F4y2Ba
是模板对象的单元格向量,则:GyD.F4y2Ba
细胞GyD.F4y2BajGyD.F4y2Ba对应于二元学习者GyD.F4y2BajGyD.F4y2Ba(换句话说,就是列GyD.F4y2BajGyD.F4y2Ba的编码设计矩阵),细胞向量必须有长度GyD.F4y2BaL.GyD.F4y2Ba.GyD.F4y2BaL.GyD.F4y2Ba是编码设计矩阵中的列数。有关详细信息,请参阅GyD.F4y2Ba编码GyD.F4y2Ba
.GyD.F4y2Ba
要使用其中一个内置的损失函数进行预测,那么所有二进制学习器必须返回一个相同范围内的分数。例如,您不能将默认的SVM二元学习器与默认的朴素贝叶斯二元学习器包含在一起。前者返回一个范围内的分数(-∞,∞),后者返回一个后验概率作为分数。否则,您必须提供一个自定义的loss作为函数句柄来处理诸如GyD.F4y2Ba预测GyD.F4y2Ba
和GyD.F4y2Ba损失GyD.F4y2Ba
.GyD.F4y2Ba
您无法使用任何其他模板指定线性分类模型学习者模板。GyD.F4y2Ba
同样,您无法使用任何其他模板指定内核分类模型学习者模板。GyD.F4y2Ba
默认情况下,该软件使用默认的支持向量机模板来训练学习者。GyD.F4y2Ba
例子:GyD.F4y2Ba“学习者”,“树”GyD.F4y2Ba
“NumBins”GyD.F4y2Ba
-GyD.F4y2Ba用于数值预测器的容器数量GyD.F4y2Ba[]GyD.F4y2Ba
(空的)GyD.F4y2Ba(默认)|GyD.F4y2Ba正整数标量GyD.F4y2Ba数字预测器的箱数,指定为逗号分隔对,由GyD.F4y2Ba“NumBins”GyD.F4y2Ba
一个正整数标量。此参数仅在以下情况下有效GyD.F4y2BafitcecocGyD.F4y2Ba
使用树型学习者,也就是说,GyD.F4y2Ba'学习者'GyD.F4y2Ba
要么是GyD.F4y2Ba“树”GyD.F4y2Ba
或使用的模板对象GyD.F4y2BatemplateTreeGyD.F4y2Ba
,或使用GyD.F4y2BatemplateEnsembleGyD.F4y2Ba
与树弱的学习者。GyD.F4y2Ba
如果GyD.F4y2Ba“NumBins”GyD.F4y2Ba
值是空的(默认),然后GyD.F4y2BafitcecocGyD.F4y2Ba
没有任何预测因素。GyD.F4y2Ba
如果您指定了GyD.F4y2Ba“NumBins”GyD.F4y2Ba
作为正整数标量的值(GyD.F4y2Ba麻木GyD.F4y2Ba
),然后GyD.F4y2BafitcecocGyD.F4y2Ba
最多将每个数值预测器归为GyD.F4y2Ba麻木GyD.F4y2Ba
等概率容器,然后在容器指数上生长树而不是原始数据。GyD.F4y2Ba
容器的数量可以小于GyD.F4y2Ba麻木GyD.F4y2Ba
如果预测器少于GyD.F4y2Ba麻木GyD.F4y2Ba
唯一的值。GyD.F4y2Ba
fitcecocGyD.F4y2Ba
不属于分类预测。GyD.F4y2Ba
当您使用一个大的训练数据集时,这个分类选项会加速训练,但可能会导致准确性的降低。你可以试试GyD.F4y2Ba“NumBins”,50岁GyD.F4y2Ba
首先,然后根据准确性和训练速度来更改值。GyD.F4y2Ba
一个训练有素的模型存储在垃圾桶边GyD.F4y2Ba毕业生GyD.F4y2Ba
财产。GyD.F4y2Ba
例子:GyD.F4y2Ba“NumBins”,50岁GyD.F4y2Ba
数据类型:GyD.F4y2Ba单GyD.F4y2Ba
|GyD.F4y2Ba双倍的GyD.F4y2Ba
“NumConcurrent”GyD.F4y2Ba
-GyD.F4y2Ba同时训练的二元学习者人数GyD.F4y2Ba1GyD.F4y2Ba
(默认)|GyD.F4y2Ba正整数标量GyD.F4y2Ba同时训练的二进制学习者的数量,指定为逗号分隔对,由GyD.F4y2Ba“NumConcurrent”GyD.F4y2Ba
一个正整数标量。默认值为GyD.F4y2Ba1GyD.F4y2Ba
,这意味着GyD.F4y2BafitcecocGyD.F4y2Ba
按顺序列达二元学习者。GyD.F4y2Ba
请注意GyD.F4y2Ba
此选项仅适用于当您使用GyD.F4y2BafitcecocGyD.F4y2Ba
在高大的数组。看到GyD.F4y2Ba高大的数组GyD.F4y2Ba为更多的信息。GyD.F4y2Ba
数据类型:GyD.F4y2Ba单GyD.F4y2Ba
|GyD.F4y2Ba双倍的GyD.F4y2Ba
'观察'GyD.F4y2Ba
-GyD.F4y2Ba预测数据观察维度GyD.F4y2Ba'行'GyD.F4y2Ba
(默认)|GyD.F4y2Ba“列”GyD.F4y2Ba
预测数据观察维度,指定为逗号分隔的对GyD.F4y2Ba'观察'GyD.F4y2Ba
和GyD.F4y2Ba“列”GyD.F4y2Ba
或GyD.F4y2Ba'行'GyD.F4y2Ba
.GyD.F4y2Ba
请注意GyD.F4y2Ba
对于线性分类学习者,如果你定位GyD.F4y2BaXGyD.F4y2Ba
这样观察结果对应列并指定GyD.F4y2Ba“ObservationsIn”、“列”GyD.F4y2Ba
,则可以显著减少优化执行时间。GyD.F4y2Ba
对于所有其他学习者,东方GyD.F4y2BaXGyD.F4y2Ba
所以观察值对应行。GyD.F4y2Ba
例子:GyD.F4y2Ba“ObservationsIn”、“列”GyD.F4y2Ba
“详细”GyD.F4y2Ba
-GyD.F4y2Ba冗长的水平GyD.F4y2Ba0.GyD.F4y2Ba
(默认)|GyD.F4y2Ba1GyD.F4y2Ba
|GyD.F4y2Ba2GyD.F4y2Ba
详细程度,指定为逗号分隔对,由GyD.F4y2Ba“详细”GyD.F4y2Ba
和GyD.F4y2Ba0.GyD.F4y2Ba
那GyD.F4y2Ba1GyD.F4y2Ba
,或GyD.F4y2Ba2GyD.F4y2Ba
.GyD.F4y2Ba详细的GyD.F4y2Ba
控制软件在命令窗口中显示的每个二进制学习者的诊断信息量。GyD.F4y2Ba
此表总结了可用的详细级别选项。GyD.F4y2Ba
价值GyD.F4y2Ba | 描述GyD.F4y2Ba |
---|---|
0.GyD.F4y2Ba |
软件不显示诊断信息。GyD.F4y2Ba |
1GyD.F4y2Ba |
每次培训新二进制学习者时,该软件都会显示诊断消息。GyD.F4y2Ba |
2GyD.F4y2Ba |
该软件每次训练一个新的二元学习者时,都会显示额外的诊断信息。GyD.F4y2Ba |
每个二进制学习者都有自己的详细级别,它与此名称值对参数无关。要更改二进制学习者的详细程度,请创建模板对象并指定GyD.F4y2Ba“详细”GyD.F4y2Ba
名称-值对的论点。然后,将模板对象传递给GyD.F4y2BafitcecocGyD.F4y2Ba
通过使用GyD.F4y2Ba'学习者'GyD.F4y2Ba
名称-值对的论点。GyD.F4y2Ba
例子:GyD.F4y2Ba“详细”,1GyD.F4y2Ba
数据类型:GyD.F4y2Ba双倍的GyD.F4y2Ba
|GyD.F4y2Ba单GyD.F4y2Ba
“CrossVal”GyD.F4y2Ba
-GyD.F4y2Ba旗帜培训交叉验证的分类器GyD.F4y2Ba“关闭”GyD.F4y2Ba
(默认)|GyD.F4y2Ba“上”GyD.F4y2Ba
标志要培训交叉验证的分类器,指定为逗号分隔对GyD.F4y2Ba“Crossval”GyD.F4y2Ba
和GyD.F4y2Ba“上”GyD.F4y2Ba
或GyD.F4y2Ba“关闭”GyD.F4y2Ba
.GyD.F4y2Ba
如果您指定GyD.F4y2Ba“上”GyD.F4y2Ba
然后,软件培训具有10倍的交叉验证的分类器。GyD.F4y2Ba
控件中的一个可以覆盖此交叉验证设置GyD.F4y2BaCVPartitionGyD.F4y2Ba
那GyD.F4y2Ba坚持GyD.F4y2Ba
那GyD.F4y2BaKFoldGyD.F4y2Ba
,或GyD.F4y2BaLeaveoutGyD.F4y2Ba
名称值对参数。您只能使用一个交叉验证名称 - 值对参数创建交叉验证的模型。GyD.F4y2Ba
或者,通过通过后来交叉验证GyD.F4y2BaMdlGyD.F4y2Ba
来GyD.F4y2Ba横梁GyD.F4y2Ba
.GyD.F4y2Ba
例子:GyD.F4y2Ba“Crossval”,“上”GyD.F4y2Ba
“CVPartition”GyD.F4y2Ba
-GyD.F4y2Ba交叉验证分区GyD.F4y2Ba[]GyD.F4y2Ba
(默认)|GyD.F4y2BacvpartitionGyD.F4y2Ba
分区对象GyD.F4y2Ba交叉验证分区,指定为aGyD.F4y2BacvpartitionGyD.F4y2Ba
分区对象由GyD.F4y2BacvpartitionGyD.F4y2Ba
.分区对象指定交叉验证的类型以及训练集和验证集的索引。GyD.F4y2Ba
要创建交叉验证的模型,您只能指定这四个名称值参数中的一个:GyD.F4y2BaCVPartitionGyD.F4y2Ba
那GyD.F4y2Ba坚持GyD.F4y2Ba
那GyD.F4y2BaKFoldGyD.F4y2Ba
,或GyD.F4y2BaLeaveoutGyD.F4y2Ba
.GyD.F4y2Ba
例子:GyD.F4y2Ba假设您使用以下方法创建了一个随机分区,用于对500个观测数据进行5倍交叉验证GyD.F4y2Ba本量利= cvpartition(500年,“KFold”, 5)GyD.F4y2Ba
.然后,您可以使用GyD.F4y2Ba“CVPartition”,本量利GyD.F4y2Ba
.GyD.F4y2Ba
“坚持”GyD.F4y2Ba
-GyD.F4y2Ba用于抵抗验证的数据部分GyD.F4y2Ba用于阻止验证的数据的分数,指定为范围(0,1)的标量值。如果您指定GyD.F4y2Ba‘坚持’,pGyD.F4y2Ba
,则软件完成以下步骤:GyD.F4y2Ba
随机选择和保留GyD.F4y2Bap * 100GyD.F4y2Ba
%的数据作为验证数据,并使用其余的数据训练模型。GyD.F4y2Ba
存储紧凑型培训的模型GyD.F4y2Ba训练有素的GyD.F4y2Ba
交叉验证模型的性质。GyD.F4y2Ba
要创建交叉验证的模型,您只能指定这四个名称值参数中的一个:GyD.F4y2BaCVPartitionGyD.F4y2Ba
那GyD.F4y2Ba坚持GyD.F4y2Ba
那GyD.F4y2BaKFoldGyD.F4y2Ba
,或GyD.F4y2BaLeaveoutGyD.F4y2Ba
.GyD.F4y2Ba
例子:GyD.F4y2Ba“坚持”,0.1GyD.F4y2Ba
数据类型:GyD.F4y2Ba双倍的GyD.F4y2Ba
|GyD.F4y2Ba单GyD.F4y2Ba
“KFold”GyD.F4y2Ba
-GyD.F4y2Ba数量的折叠GyD.F4y2Ba10.GyD.F4y2Ba
(默认)|GyD.F4y2Ba正整数值大于1GyD.F4y2Ba在交叉验证模型中使用的折叠数,指定为大于1的正整数。如果您指定GyD.F4y2BaKFold, kGyD.F4y2Ba
,则软件完成以下步骤:GyD.F4y2Ba
随机分区数据GyD.F4y2BaK.GyD.F4y2Ba
集。GyD.F4y2Ba
对于每个集合,保留该集合作为验证数据,并使用另一个来训练模型GyD.F4y2BaK.GyD.F4y2Ba
- 1GyD.F4y2Ba集。GyD.F4y2Ba
储存GyD.F4y2BaK.GyD.F4y2Ba
在一个紧凑的,训练的模型GyD.F4y2BaK.GyD.F4y2Ba
-by-1细胞载体GyD.F4y2Ba训练有素的GyD.F4y2Ba
交叉验证模型的性质。GyD.F4y2Ba
要创建交叉验证的模型,您只能指定这四个名称值参数中的一个:GyD.F4y2BaCVPartitionGyD.F4y2Ba
那GyD.F4y2Ba坚持GyD.F4y2Ba
那GyD.F4y2BaKFoldGyD.F4y2Ba
,或GyD.F4y2BaLeaveoutGyD.F4y2Ba
.GyD.F4y2Ba
例子:GyD.F4y2Ba“KFold”, 5GyD.F4y2Ba
数据类型:GyD.F4y2Ba单GyD.F4y2Ba
|GyD.F4y2Ba双倍的GyD.F4y2Ba
'忽略'GyD.F4y2Ba
-GyD.F4y2Ba分析交叉验证标志GyD.F4y2Ba“关闭”GyD.F4y2Ba
(默认)|GyD.F4y2Ba“上”GyD.F4y2Ba
留下一张交叉验证标志,指定为逗号分隔的配对组成GyD.F4y2Ba'忽略'GyD.F4y2Ba
和GyD.F4y2Ba“上”GyD.F4y2Ba
或GyD.F4y2Ba“关闭”GyD.F4y2Ba
.如果您指定GyD.F4y2Ba“Leaveout”,“上”GyD.F4y2Ba
那么,每个人GyD.F4y2BaNGyD.F4y2Ba观察,在哪里GyD.F4y2BaNGyD.F4y2Ba是GyD.F4y2Ba尺寸(Mdl.X, 1)GyD.F4y2Ba
软件:GyD.F4y2Ba
保留作为验证数据的观察,并使用另一个培训模型GyD.F4y2BaNGyD.F4y2Ba- 1观察GyD.F4y2Ba
存储GyD.F4y2BaNGyD.F4y2Ba紧凑,训练有素的模型在一个细胞中GyD.F4y2BaNGyD.F4y2Ba-by-1细胞载体GyD.F4y2Ba训练有素的GyD.F4y2Ba
交叉验证模型的性质。GyD.F4y2Ba
要创建一个交叉验证的模型,您只能使用以下四个选项中的一个:GyD.F4y2BaCVPartitionGyD.F4y2Ba
那GyD.F4y2Ba坚持GyD.F4y2Ba
那GyD.F4y2BaKFoldGyD.F4y2Ba
,或GyD.F4y2BaLeaveoutGyD.F4y2Ba
.GyD.F4y2Ba
请注意GyD.F4y2Ba
对于由线性或核分类模型学习者组成的交叉验证ECOC模型,不推荐留一。GyD.F4y2Ba
例子:GyD.F4y2Ba“Leaveout”,“上”GyD.F4y2Ba
'pationoricalpricictors'GyD.F4y2Ba
-GyD.F4y2Ba分类预测列表GyD.F4y2Ba“所有”GyD.F4y2Ba
分类预测器列表,指定为该表中的值之一。GyD.F4y2Ba
价值GyD.F4y2Ba | 描述GyD.F4y2Ba |
---|---|
正整数矢量GyD.F4y2Ba | 向量中的每个条目是对应于包含一个分类变量预测数据的列的索引值。该指数的值是1和2之间GyD.F4y2Ba 如果GyD.F4y2Ba |
逻辑矢量GyD.F4y2Ba | 一种GyD.F4y2Ba |
字符矩阵GyD.F4y2Ba | 矩阵的每一行都是一个预测变量的名称。该名称必须在条目匹配GyD.F4y2BaPredictorNamesGyD.F4y2Ba .用额外的空格填充名字,这样字符矩阵的每一行都有相同的长度。GyD.F4y2Ba |
字符向量的字符串数组或单元格数组GyD.F4y2Ba | 数组中的每个元素是一个预测变量的名称。该名称必须在条目匹配GyD.F4y2BaPredictorNamesGyD.F4y2Ba .GyD.F4y2Ba |
“所有”GyD.F4y2Ba |
所有的预测都是绝对的。GyD.F4y2Ba |
规格GyD.F4y2Ba'pationoricalpricictors'GyD.F4y2Ba
是合适的,如果:GyD.F4y2Ba
至少有一个预测器是分类的,所有的二元学习器都是分类树、朴素贝叶斯学习器、支持向量机、线性学习器、核学习器或分类树的集合。GyD.F4y2Ba
所有的预测器都是绝对的,至少有一个二元学习者是GyD.F4y2BaK.GyD.F4y2Ba神经网络。GyD.F4y2Ba
如果您指定GyD.F4y2Ba'pationoricalpricictors'GyD.F4y2Ba
对于任何其他的学习者,软件会警告说它不能训练二元学习者。例如,该软件不能使用分类预测器训练判别分析分类器。GyD.F4y2Ba
每个学习者以与学习者对应的拟合函数相同的方式识别和对待分类预测器。看到GyD.F4y2Ba'pationoricalpricictors'GyD.F4y2Ba
的GyD.F4y2BafitckernelGyD.F4y2Ba
对于内核学习者,GyD.F4y2Ba'pationoricalpricictors'GyD.F4y2Ba
的GyD.F4y2BafitcknnGyD.F4y2Ba
为GyD.F4y2BaK.GyD.F4y2Ba最初的学习者,GyD.F4y2Ba'pationoricalpricictors'GyD.F4y2Ba
的GyD.F4y2BafitclinearGyD.F4y2Ba
对于线性学习者,GyD.F4y2Ba'pationoricalpricictors'GyD.F4y2Ba
的GyD.F4y2BafitcnbGyD.F4y2Ba
对于朴素贝叶斯学习者,GyD.F4y2Ba'pationoricalpricictors'GyD.F4y2Ba
的GyD.F4y2Bafitcsvm.GyD.F4y2Ba
为支持向量机学习者,和GyD.F4y2Ba'pationoricalpricictors'GyD.F4y2Ba
的GyD.F4y2BafitctreeGyD.F4y2Ba
树的学习者。GyD.F4y2Ba
例子:GyD.F4y2Ba“CategoricalPredictors”、“所有”GyD.F4y2Ba
数据类型:GyD.F4y2Ba单GyD.F4y2Ba
|GyD.F4y2Ba双倍的GyD.F4y2Ba
|GyD.F4y2Ba逻辑GyD.F4y2Ba
|GyD.F4y2BacharGyD.F4y2Ba
|GyD.F4y2Ba细绳GyD.F4y2Ba
|GyD.F4y2Ba细胞GyD.F4y2Ba
“类名”GyD.F4y2Ba
-GyD.F4y2Ba用于培训的类名GyD.F4y2Ba用于训练的类名,指定为分类数组、字符数组或字符串数组;逻辑或数字向量;或者字符向量的单元格数组。GyD.F4y2BaClassnames.GyD.F4y2Ba
必须具有与响应变量相同的数据类型GyD.F4y2BaTBL.GyD.F4y2Ba
或GyD.F4y2BayGyD.F4y2Ba
.GyD.F4y2Ba
如果GyD.F4y2BaClassnames.GyD.F4y2Ba
是字符数组,则每个元素必须与数组的一行相对应。GyD.F4y2Ba
使用GyD.F4y2BaClassnames.GyD.F4y2Ba
:GyD.F4y2Ba
在培训期间指定类的顺序。GyD.F4y2Ba
指定与类顺序相对应的任何输入或输出参数维的顺序。例如,使用GyD.F4y2BaClassnames.GyD.F4y2Ba
指定尺寸的顺序GyD.F4y2Ba成本GyD.F4y2Ba
或返回的分类分数的列顺序GyD.F4y2Ba预测GyD.F4y2Ba
.GyD.F4y2Ba
选择用于培训的类的子集。例如,假设集合中所有不同的类名GyD.F4y2BayGyD.F4y2Ba
是GyD.F4y2Ba{' a ', ' b ', ' c '}GyD.F4y2Ba
.要使用的观测从班训练模型GyD.F4y2Ba“一个”GyD.F4y2Ba
和GyD.F4y2Ba“c”GyD.F4y2Ba
仅限,指定GyD.F4y2Ba“类名”,{' a ', ' c '}GyD.F4y2Ba
.GyD.F4y2Ba
的默认值GyD.F4y2BaClassnames.GyD.F4y2Ba
是响应变量中的所有不同类名的集合GyD.F4y2BaTBL.GyD.F4y2Ba
或GyD.F4y2BayGyD.F4y2Ba
.GyD.F4y2Ba
例子:GyD.F4y2Ba'classnames',{'b','g'}GyD.F4y2Ba
数据类型:GyD.F4y2Ba分类GyD.F4y2Ba
|GyD.F4y2BacharGyD.F4y2Ba
|GyD.F4y2Ba细绳GyD.F4y2Ba
|GyD.F4y2Ba逻辑GyD.F4y2Ba
|GyD.F4y2Ba单GyD.F4y2Ba
|GyD.F4y2Ba双倍的GyD.F4y2Ba
|GyD.F4y2Ba细胞GyD.F4y2Ba
“成本”GyD.F4y2Ba
-GyD.F4y2Ba错误分类成本GyD.F4y2Ba误分类代价,指定为逗号分隔对组成GyD.F4y2Ba“成本”GyD.F4y2Ba
方阵或方阵结构。如果你指定:GyD.F4y2Ba
的方阵GyD.F4y2Ba成本GyD.F4y2Ba
,然后GyD.F4y2Ba成本(i,j)GyD.F4y2Ba
将一个点分类的成本是多少GyD.F4y2BajGyD.F4y2Ba
如果它真正的阶级是GyD.F4y2Ba一世GyD.F4y2Ba
.也就是说,行对应于真实类,列对应于预测类。指定相应行和列的类顺序GyD.F4y2Ba成本GyD.F4y2Ba
,另外指定GyD.F4y2BaClassnames.GyD.F4y2Ba
名称-值对的论点。GyD.F4y2Ba
结构GyD.F4y2BaS.GyD.F4y2Ba
,则必须有两个字段:GyD.F4y2Ba
S.Classnames.GyD.F4y2Ba
,它将类名包含为与类相同数据类型的变量GyD.F4y2BayGyD.F4y2Ba
S.Classificycosts.GyD.F4y2Ba
,其中包含的行和列的成本矩阵排列,如GyD.F4y2BaS.Classnames.GyD.F4y2Ba
默认值是GyD.F4y2Ba(GyD.F4y2Ba
, 在哪里GyD.F4y2BaK.GyD.F4y2Ba
) - (GyD.F4y2BaK.GyD.F4y2Ba
)GyD.F4y2BaK.GyD.F4y2Ba
是不同的类的数量。GyD.F4y2Ba
例子:GyD.F4y2Ba'成本',[0 1 2;1 0 2;2 2 0]GyD.F4y2Ba
数据类型:GyD.F4y2Ba双倍的GyD.F4y2Ba
|GyD.F4y2Ba单GyD.F4y2Ba
|GyD.F4y2Ba结构体GyD.F4y2Ba
“选项”GyD.F4y2Ba
-GyD.F4y2Ba并行计算选项GyD.F4y2Ba[]GyD.F4y2Ba
(默认)|GyD.F4y2Ba返回的结构数组GyD.F4y2Ba实例化GyD.F4y2Ba
并行计算选项,指定为逗号分隔对,由GyD.F4y2Ba“选项”GyD.F4y2Ba
和返回的结构阵列GyD.F4y2Ba实例化GyD.F4y2Ba
.这些选项需要并行计算工具箱™。GyD.F4y2BafitcecocGyD.F4y2Ba
使用GyD.F4y2Ba“流”GyD.F4y2Ba
那GyD.F4y2Ba“UseParallel”GyD.F4y2Ba
,GyD.F4y2Ba“UseSubtreams”GyD.F4y2Ba
字段。GyD.F4y2Ba
此表总结了可用选项。GyD.F4y2Ba
选项GyD.F4y2Ba | 描述GyD.F4y2Ba |
---|---|
“流”GyD.F4y2Ba |
一种GyD.F4y2Ba
在这种情况下,使用与并行池相同大小的单元格数组。如果未打开并行池,则软件将尝试打开一个(取决于您的首选项),并且GyD.F4y2Ba |
“UseParallel”GyD.F4y2Ba |
如果您有并行计算工具箱,那么你可以通过调用设置的工人池GyD.F4y2Ba 当你对二进制学习者使用决策树时,GyD.F4y2Ba |
“UseSubstreams”GyD.F4y2Ba |
设置GyD.F4y2Ba真的GyD.F4y2Ba 使用由指定的流并行计算GyD.F4y2Ba“流”GyD.F4y2Ba .默认为GyD.F4y2Ba假GyD.F4y2Ba .例如,一套GyD.F4y2Ba流GyD.F4y2Ba 转换为允许子流的类型,例如GyD.F4y2Ba“mlfg6331_64”GyD.F4y2Ba 或GyD.F4y2Ba“mrg32k3a”GyD.F4y2Ba .GyD.F4y2Ba |
确保结果更可预测的最佳实践是使用GyD.F4y2Baparpool.GyD.F4y2Ba
(并行计算工具箱)GyD.F4y2Ba并在调用并行计算之前显式地创建并行池GyD.F4y2BafitcecocGyD.F4y2Ba
.GyD.F4y2Ba
例子:GyD.F4y2Ba'选项',statset('deverypallellel',true)GyD.F4y2Ba
数据类型:GyD.F4y2Ba结构体GyD.F4y2Ba
“PredictorNames”GyD.F4y2Ba
-GyD.F4y2Ba预测变量的名字GyD.F4y2Ba预测器变量名,指定为具有惟一名称的字符串数组或具有惟一字符向量的单元格数组。的功能GyD.F4y2BaPredictorNamesGyD.F4y2Ba
取决于您提供培训数据的方式。GyD.F4y2Ba
如果你提供GyD.F4y2BaXGyD.F4y2Ba
和GyD.F4y2BayGyD.F4y2Ba
,则可以使用GyD.F4y2BaPredictorNamesGyD.F4y2Ba
将名称分配给Predictor变量GyD.F4y2BaXGyD.F4y2Ba
.GyD.F4y2Ba
名字的顺序GyD.F4y2BaPredictorNamesGyD.F4y2Ba
必须对应的列顺序GyD.F4y2BaXGyD.F4y2Ba
.那是,GyD.F4y2BaPredictorNames {1}GyD.F4y2Ba
是GyD.F4y2Bax(:1)GyD.F4y2Ba
那GyD.F4y2BaPredictorNames {2}GyD.F4y2Ba
是GyD.F4y2BaX(:,2)GyD.F4y2Ba
, 等等。还,GyD.F4y2Ba大小(X, 2)GyD.F4y2Ba
和GyD.F4y2Banumel(预测的人)GyD.F4y2Ba
必须是平等的。GyD.F4y2Ba
默认情况下,GyD.F4y2BaPredictorNamesGyD.F4y2Ba
是GyD.F4y2Ba{x1, x2,…}GyD.F4y2Ba
.GyD.F4y2Ba
如果你提供GyD.F4y2BaTBL.GyD.F4y2Ba
,则可以使用GyD.F4y2BaPredictorNamesGyD.F4y2Ba
选择用于培训的预测变量。那是,GyD.F4y2BafitcecocGyD.F4y2Ba
仅使用中的预测变量GyD.F4y2BaPredictorNamesGyD.F4y2Ba
以及训练过程中的反应变量。GyD.F4y2Ba
PredictorNamesGyD.F4y2Ba
一定是?的子集GyD.F4y2Batbl.properties.variablenames.GyD.F4y2Ba
且不能包含响应变量的名称。GyD.F4y2Ba
默认情况下,GyD.F4y2BaPredictorNamesGyD.F4y2Ba
包含所有预测变量的名称。GyD.F4y2Ba
一个好的实践是指定使用这两种方法进行训练的预测器GyD.F4y2Ba“PredictorNames”GyD.F4y2Ba
或GyD.F4y2Ba公式GyD.F4y2Ba
,但不是两者。GyD.F4y2Ba
例子:GyD.F4y2Ba'predictornames',{sepallength','sepalwidth','petallength','petalwidth'}GyD.F4y2Ba
数据类型:GyD.F4y2Ba细绳GyD.F4y2Ba
|GyD.F4y2Ba细胞GyD.F4y2Ba
'事先的'GyD.F4y2Ba
-GyD.F4y2Ba先验概率GyD.F4y2Ba“经验”GyD.F4y2Ba
(默认)|GyD.F4y2Ba“统一”GyD.F4y2Ba
|GyD.F4y2Ba数字矢量GyD.F4y2Ba|GyD.F4y2Ba结构阵列GyD.F4y2Ba每个类的先验概率,指定为逗号分隔对,由GyD.F4y2Ba'事先的'GyD.F4y2Ba
和这个表中的值。GyD.F4y2Ba
价值GyD.F4y2Ba | 描述GyD.F4y2Ba |
---|---|
“经验”GyD.F4y2Ba |
课程的现有概率是类相对频率GyD.F4y2BayGyD.F4y2Ba .GyD.F4y2Ba |
“统一”GyD.F4y2Ba |
所有类先验概率都等于1/GyD.F4y2BaK.GyD.F4y2Ba, 在哪里GyD.F4y2BaK.GyD.F4y2Ba为类数。GyD.F4y2Ba |
数字矢量GyD.F4y2Ba | 每个元素是一个类的先验概率。根据命令元素GyD.F4y2BaMdlGyD.F4y2Ba .ClassNamesGyD.F4y2Ba 或使用GyD.F4y2BaClassnames.GyD.F4y2Ba 名称-值对的论点。该软件标准化的元件,使得它们的和为GyD.F4y2Ba1GyD.F4y2Ba .GyD.F4y2Ba |
结构体GyD.F4y2Ba | 结构GyD.F4y2Ba
|
有关软件如何合并类先验概率的更多细节,请参见GyD.F4y2Ba概率和成本GyD.F4y2Ba.GyD.F4y2Ba
例子:GyD.F4y2Bastruct('classnames',{{'setosa','versicolor','virginica'}},'classprobs',1:3)GyD.F4y2Ba
数据类型:GyD.F4y2Ba单GyD.F4y2Ba
|GyD.F4y2Ba双倍的GyD.F4y2Ba
|GyD.F4y2BacharGyD.F4y2Ba
|GyD.F4y2Ba细绳GyD.F4y2Ba
|GyD.F4y2Ba结构体GyD.F4y2Ba
'responsebame'GyD.F4y2Ba
-GyD.F4y2Ba响应变量名GyD.F4y2Ba“Y”GyD.F4y2Ba
(默认)|GyD.F4y2Ba字符向量GyD.F4y2Ba|GyD.F4y2Ba字符串标量GyD.F4y2Ba响应变量名,指定为字符向量或字符串标量。GyD.F4y2Ba
如果你提供GyD.F4y2BayGyD.F4y2Ba
,则可以使用GyD.F4y2Ba'responsebame'GyD.F4y2Ba
指定响应变量的名称。GyD.F4y2Ba
如果你提供GyD.F4y2BaResponseVarNameGyD.F4y2Ba
或GyD.F4y2Ba公式GyD.F4y2Ba
,则不能使用GyD.F4y2Ba'responsebame'GyD.F4y2Ba
.GyD.F4y2Ba
例子:GyD.F4y2Ba'responsebame','响应'GyD.F4y2Ba
数据类型:GyD.F4y2BacharGyD.F4y2Ba
|GyD.F4y2Ba细绳GyD.F4y2Ba
“ScoreTransform”GyD.F4y2Ba
-GyD.F4y2Ba分数转换GyD.F4y2Ba'没有任何'GyD.F4y2Ba
(默认)|GyD.F4y2Ba“doublelogit”GyD.F4y2Ba
|GyD.F4y2Ba'invlogit'GyD.F4y2Ba
|GyD.F4y2Ba“ismax”GyD.F4y2Ba
|GyD.F4y2Ba分对数的GyD.F4y2Ba
|GyD.F4y2Ba函数处理GyD.F4y2Ba|...GyD.F4y2Ba分数转换,指定为字符向量、字符串标量或函数句柄。GyD.F4y2Ba
该表总结了可用的字符向量和字符串标量。GyD.F4y2Ba
价值GyD.F4y2Ba | 描述GyD.F4y2Ba |
---|---|
“doublelogit”GyD.F4y2Ba |
1 /(1 +GyD.F4y2BaE.GyD.F4y2Ba2GyD.F4y2BaXGyD.F4y2Ba)GyD.F4y2Ba |
'invlogit'GyD.F4y2Ba |
日志(GyD.F4y2BaXGyD.F4y2Ba/ (1 -GyD.F4y2BaXGyD.F4y2Ba)))GyD.F4y2Ba |
“ismax”GyD.F4y2Ba |
将分数最大的班级的分数设置为1,并将所有其他班级的分数设置为0GyD.F4y2Ba |
分对数的GyD.F4y2Ba |
1 /(1 +GyD.F4y2BaE.GyD.F4y2Ba-GyD.F4y2BaXGyD.F4y2Ba)GyD.F4y2Ba |
'没有任何'GyD.F4y2Ba 或GyD.F4y2Ba“身份”GyD.F4y2Ba |
XGyD.F4y2Ba(转换)GyD.F4y2Ba |
'标志'GyD.F4y2Ba |
1GyD.F4y2BaXGyD.F4y2Ba<0GyD.F4y2Ba 为0GyD.F4y2BaXGyD.F4y2Ba= 0GyD.F4y2Ba 1GyD.F4y2BaXGyD.F4y2Ba> 0GyD.F4y2Ba |
'对称'GyD.F4y2Ba |
2GyD.F4y2BaXGyD.F4y2Ba- 1GyD.F4y2Ba |
'ymmetricismax'GyD.F4y2Ba |
将分数最大的班级的分数设置为1,并将所有其他班级的分数设置为-1GyD.F4y2Ba |
“symmetriclogit”GyD.F4y2Ba |
2 / (1 +GyD.F4y2BaE.GyD.F4y2Ba-GyD.F4y2BaXGyD.F4y2Ba) - 1GyD.F4y2Ba |
对于MATLAB函数或您定义的函数,使用其功能句柄进行分数转换。函数句柄必须接受矩阵(原始分数)并返回相同大小的矩阵(转换的分数)。GyD.F4y2Ba
例子:GyD.F4y2Ba“ScoreTransform”、“分对数的GyD.F4y2Ba
数据类型:GyD.F4y2BacharGyD.F4y2Ba
|GyD.F4y2Ba细绳GyD.F4y2Ba
|GyD.F4y2Bafunction_handle.GyD.F4y2Ba
“重量”GyD.F4y2Ba
-GyD.F4y2Ba观察权重GyD.F4y2BaTBL.GyD.F4y2Ba
观察权值,指定为逗号分隔的对,由GyD.F4y2Ba“重量”GyD.F4y2Ba
和一个正数的数字向量或变量名GyD.F4y2BaTBL.GyD.F4y2Ba
.该软件在每行中重视观察GyD.F4y2BaXGyD.F4y2Ba
或GyD.F4y2BaTBL.GyD.F4y2Ba
对应的值在GyD.F4y2Ba重量GyD.F4y2Ba
.的大小GyD.F4y2Ba重量GyD.F4y2Ba
必须等于行的行数GyD.F4y2BaXGyD.F4y2Ba
或GyD.F4y2BaTBL.GyD.F4y2Ba
.GyD.F4y2Ba
如果您将输入数据指定为表GyD.F4y2BaTBL.GyD.F4y2Ba
,然后GyD.F4y2Ba重量GyD.F4y2Ba
可以是变量的名称GyD.F4y2BaTBL.GyD.F4y2Ba
包含数字矢量。在这种情况下,您必须指定GyD.F4y2Ba重量GyD.F4y2Ba
作为字符向量或字符串标量。例如,如果权重向量GyD.F4y2BaW.GyD.F4y2Ba
存储为GyD.F4y2BaTBL.W.GyD.F4y2Ba
,则指定为GyD.F4y2Ba' W 'GyD.F4y2Ba
.否则,软件将对所有列进行处理GyD.F4y2BaTBL.GyD.F4y2Ba
, 包含GyD.F4y2BaW.GyD.F4y2Ba
,作为预测器或训练模型时的反应。GyD.F4y2Ba
该软件可实现GyD.F4y2Ba重量GyD.F4y2Ba
求和为各类的先验概率值。GyD.F4y2Ba
默认情况下,GyD.F4y2Ba重量GyD.F4y2Ba
是GyD.F4y2Ba(GyD.F4y2Ba
, 在哪里GyD.F4y2BaNGyD.F4y2Ba
1)GyD.F4y2BaNGyD.F4y2Ba
观察的次数在吗GyD.F4y2BaXGyD.F4y2Ba
或GyD.F4y2BaTBL.GyD.F4y2Ba
.GyD.F4y2Ba
数据类型:GyD.F4y2Ba双倍的GyD.F4y2Ba
|GyD.F4y2Ba单GyD.F4y2Ba
|GyD.F4y2BacharGyD.F4y2Ba
|GyD.F4y2Ba细绳GyD.F4y2Ba
“OptimizeHyperparameters”GyD.F4y2Ba
-GyD.F4y2Ba优化的参数GyD.F4y2Ba'没有任何'GyD.F4y2Ba
(默认)|GyD.F4y2Ba'汽车'GyD.F4y2Ba
|GyD.F4y2Ba“所有”GyD.F4y2Ba
|GyD.F4y2Ba符合条件的参数名称的字符串数组或单元格数组GyD.F4y2Ba|GyD.F4y2Ba向量的GyD.F4y2BaoptimizableVariableGyD.F4y2Ba
对象GyD.F4y2Ba要优化的参数,指定为逗号分隔的对GyD.F4y2Ba“OptimizeHyperparameters”GyD.F4y2Ba
和以下之一:GyD.F4y2Ba
'没有任何'GyD.F4y2Ba
- 不要优化。GyD.F4y2Ba
'汽车'GyD.F4y2Ba
- 用GyD.F4y2Ba{'编码'}GyD.F4y2Ba
以及指定的默认参数GyD.F4y2Ba学习者GyD.F4y2Ba
:GyD.F4y2Ba
学习者GyD.F4y2Ba
=GyD.F4y2Ba“支持向量机”GyD.F4y2Ba
(默认)GyD.F4y2Ba{“BoxConstraint”、“KernelScale”}GyD.F4y2Ba
学习者GyD.F4y2Ba
=GyD.F4y2Ba“判别”GyD.F4y2Ba
-GyD.F4y2Ba{'delta','gamma'}GyD.F4y2Ba
学习者GyD.F4y2Ba
=GyD.F4y2Ba'核心'GyD.F4y2Ba
-GyD.F4y2Ba{ 'KernelScale', 'LAMBDA'}GyD.F4y2Ba
学习者GyD.F4y2Ba
=GyD.F4y2Ba'knn'GyD.F4y2Ba
-GyD.F4y2Ba{‘距离’,‘NumNeighbors}GyD.F4y2Ba
学习者GyD.F4y2Ba
=GyD.F4y2Ba“线性”GyD.F4y2Ba
-GyD.F4y2Ba{“λ”、“学习者”}GyD.F4y2Ba
学习者GyD.F4y2Ba
=GyD.F4y2Ba'天真宝贝'GyD.F4y2Ba
-GyD.F4y2Ba{“DistributionNames”、“宽度”}GyD.F4y2Ba
学习者GyD.F4y2Ba
=GyD.F4y2Ba“树”GyD.F4y2Ba
-GyD.F4y2Ba{' MinLeafSize '}GyD.F4y2Ba
“所有”GyD.F4y2Ba
- 优化所有符合条件的参数。GyD.F4y2Ba
符号数组或符合条件参数名称的单元数组GyD.F4y2Ba
向量的GyD.F4y2BaoptimizableVariableGyD.F4y2Ba
对象,通常是输出GyD.F4y2Ba普遍存在GyD.F4y2Ba
优化尝试最小化交叉验证损失(错误)GyD.F4y2BafitcecocGyD.F4y2Ba
通过改变参数。有关在不同的上下文中的交叉验证丢失的信息,请参阅GyD.F4y2Ba分类损失GyD.F4y2Ba.要控制交叉验证类型和优化的其他方面,请使用GyD.F4y2BaHyperParameterOptimizationOptions.GyD.F4y2Ba
名称 - 值对。GyD.F4y2Ba
请注意GyD.F4y2Ba
“OptimizeHyperparameters”GyD.F4y2Ba
值覆盖使用其他名称-值对参数设置的任何值。例如,设置GyD.F4y2Ba“OptimizeHyperparameters”GyD.F4y2Ba
来GyD.F4y2Ba'汽车'GyD.F4y2Ba
导致GyD.F4y2Ba'汽车'GyD.F4y2Ba
值应用。GyD.F4y2Ba
符合条件的参数GyD.F4y2BafitcecocGyD.F4y2Ba
是:GyD.F4y2Ba
编码GyD.F4y2Ba
-GyD.F4y2BafitcecocGyD.F4y2Ba
搜索中GyD.F4y2Ba'Onevsall'GyD.F4y2Ba
和GyD.F4y2Ba“onevsone”GyD.F4y2Ba
.GyD.F4y2Ba
所选的符合条件的超参数GyD.F4y2Ba学习者GyD.F4y2Ba
,如此表格所示。GyD.F4y2Ba
学习者GyD.F4y2Ba | 合格HyperparametersGyD.F4y2Ba (大胆=默认)GyD.F4y2Ba |
默认范围GyD.F4y2Ba |
---|---|---|
“判别”GyD.F4y2Ba |
三角洲GyD.F4y2Ba |
在范围内记录GyD.F4y2Ba(1 e-6, 1 e3)GyD.F4y2Ba |
鉴定GyD.F4y2Ba |
“线性”GyD.F4y2Ba 那GyD.F4y2Ba“二次”GyD.F4y2Ba 那GyD.F4y2Ba“diagLinear”GyD.F4y2Ba 那GyD.F4y2Ba'diagquadratic'GyD.F4y2Ba 那GyD.F4y2Ba“pseudoLinear”GyD.F4y2Ba ,GyD.F4y2Ba“pseudoQuadratic”GyD.F4y2Ba |
|
伽玛GyD.F4y2Ba |
真正的价值GyD.F4y2Ba[0, 1]GyD.F4y2Ba |
|
'核心'GyD.F4y2Ba |
λGyD.F4y2Ba |
正的值在范围内按对数缩放GyD.F4y2Ba(1 e - 3 / NumObservations, e3 / NumObservations]GyD.F4y2Ba |
内塞尔GyD.F4y2Ba |
正的值在范围内按对数缩放GyD.F4y2Ba(1 e - 3, 1 e3)GyD.F4y2Ba |
|
学习者GyD.F4y2Ba |
“支持向量机”GyD.F4y2Ba 和GyD.F4y2Ba“物流”GyD.F4y2Ba |
|
NumExpansionDimensionsGyD.F4y2Ba |
在范围内按对数缩放的整数GyD.F4y2Ba(100、10000)GyD.F4y2Ba |
|
'knn'GyD.F4y2Ba |
距离GyD.F4y2Ba |
“cityblock”GyD.F4y2Ba 那GyD.F4y2Ba“chebychev”GyD.F4y2Ba 那GyD.F4y2Ba“相关”GyD.F4y2Ba 那GyD.F4y2Ba的余弦GyD.F4y2Ba 那GyD.F4y2Ba'euclidean'GyD.F4y2Ba 那GyD.F4y2Ba“汉明”GyD.F4y2Ba 那GyD.F4y2Ba“jaccard”GyD.F4y2Ba 那GyD.F4y2Ba“mahalanobis”GyD.F4y2Ba 那GyD.F4y2Ba闵可夫斯基的GyD.F4y2Ba 那GyD.F4y2Ba'seuclidean'GyD.F4y2Ba ,GyD.F4y2Ba“枪兵”GyD.F4y2Ba |
DistanceWeightGyD.F4y2Ba |
'平等的'GyD.F4y2Ba 那GyD.F4y2Ba“逆”GyD.F4y2Ba ,GyD.F4y2Ba“squaredinverse”GyD.F4y2Ba |
|
指数GyD.F4y2Ba |
正值GyD.F4y2Ba[0.5,3]GyD.F4y2Ba |
|
NumNeighborsGyD.F4y2Ba |
正整数值LOG缩放的范围GyD.F4y2Ba[1,马克斯(2轮(NumObservations / 2)))GyD.F4y2Ba |
|
标准化GyD.F4y2Ba |
'真的'GyD.F4y2Ba 和GyD.F4y2Ba'错误的'GyD.F4y2Ba |
|
“线性”GyD.F4y2Ba |
λGyD.F4y2Ba |
正的值在范围内按对数缩放GyD.F4y2Ba[1 e-5 / NumObservations 1 e5 / NumObservations]GyD.F4y2Ba |
学习者GyD.F4y2Ba |
“支持向量机”GyD.F4y2Ba 和GyD.F4y2Ba“物流”GyD.F4y2Ba |
|
正则化GyD.F4y2Ba |
“岭”GyD.F4y2Ba 和GyD.F4y2Ba“套索”GyD.F4y2Ba |
|
'天真宝贝'GyD.F4y2Ba |
DistributionNamesGyD.F4y2Ba |
“正常”GyD.F4y2Ba 和GyD.F4y2Ba'核心'GyD.F4y2Ba |
宽度GyD.F4y2Ba |
正的值在范围内按对数缩放GyD.F4y2Ba[MinPredictorDiff / 4,MAX(MaxPredictorRange,MinPredictorDiff)]GyD.F4y2Ba |
|
内核GyD.F4y2Ba |
“正常”GyD.F4y2Ba 那GyD.F4y2Ba“盒子”GyD.F4y2Ba 那GyD.F4y2Ba'Epanechnikov'GyD.F4y2Ba ,GyD.F4y2Ba“三角形”GyD.F4y2Ba |
|
“支持向量机”GyD.F4y2Ba |
boxconstraint.GyD.F4y2Ba |
正的值在范围内按对数缩放GyD.F4y2Ba(1 e - 3, 1 e3)GyD.F4y2Ba |
内塞尔GyD.F4y2Ba |
正的值在范围内按对数缩放GyD.F4y2Ba(1 e - 3, 1 e3)GyD.F4y2Ba |
|
KernelFunctionGyD.F4y2Ba |
“高斯”GyD.F4y2Ba 那GyD.F4y2Ba“线性”GyD.F4y2Ba ,GyD.F4y2Ba'多项式'GyD.F4y2Ba |
|
PolynomialOrderGyD.F4y2Ba |
范围内的整数GyD.F4y2Ba(2、4)GyD.F4y2Ba |
|
标准化GyD.F4y2Ba |
'真的'GyD.F4y2Ba 和GyD.F4y2Ba'错误的'GyD.F4y2Ba |
|
“树”GyD.F4y2Ba |
MaxNumSplitsGyD.F4y2Ba |
在范围内按对数缩放的整数GyD.F4y2BaNumObservations-1[1,马克斯(2))GyD.F4y2Ba |
minleafsize.GyD.F4y2Ba |
在范围内按对数缩放的整数GyD.F4y2Ba[1,MAX(2,楼层(NumObservations / 2))]GyD.F4y2Ba |
|
numvariablestosample.GyD.F4y2Ba |
范围内的整数GyD.F4y2BaNumPredictors[1,马克斯(2))GyD.F4y2Ba |
|
斯波特刺激器GyD.F4y2Ba |
gdi的GyD.F4y2Ba 那GyD.F4y2Ba'偏见'GyD.F4y2Ba ,GyD.F4y2Ba“两个”GyD.F4y2Ba |
另外,使用GyD.F4y2Ba普遍存在GyD.F4y2Ba
和你的选择GyD.F4y2Ba学习者GyD.F4y2Ba
, 如GyD.F4y2Ba
负载GyD.F4y2BafisheririsGyD.F4y2Ba%HyperParameters需要数据和学习者GyD.F4y2Baparams = hyperparameters(GyD.F4y2Ba'fitcecoc'GyD.F4y2Ba量,物种,GyD.F4y2Ba“支持向量机”GyD.F4y2Ba);GyD.F4y2Ba
要查看符合条件的和默认的超参数,请检查GyD.F4y2Ba参数个数GyD.F4y2Ba
.GyD.F4y2Ba
通过传染媒介设置非菲达参数GyD.F4y2BaoptimizableVariableGyD.F4y2Ba
具有非默认值的对象。例如,GyD.F4y2Ba
负载GyD.F4y2BafisheririsGyD.F4y2Baparams = hyperparameters(GyD.F4y2Ba'fitcecoc'GyD.F4y2Ba量,物种,GyD.F4y2Ba“支持向量机”GyD.F4y2Ba);参数(2)。范围=(1的军医,1 e6);GyD.F4y2Ba
经过GyD.F4y2Ba参数个数GyD.F4y2Ba
的价值GyD.F4y2BaOptimizeHyperparametersGyD.F4y2Ba
.GyD.F4y2Ba
默认情况下,在命令行出现迭代显示,并根据优化中超参数的数量出现绘图。对于优化和绘图,目标函数为GyD.F4y2BaLog(1 +交叉验证损失)GyD.F4y2Ba为回归和误分类率为分类。若要控制迭代显示,请设置GyD.F4y2Ba详细的GyD.F4y2Ba
场的GyD.F4y2Ba“HyperparameterOptimizationOptions”GyD.F4y2Ba
名称-值对的论点。要控制情节,设置GyD.F4y2BaShowPlotsGyD.F4y2Ba
场的GyD.F4y2Ba“HyperparameterOptimizationOptions”GyD.F4y2Ba
名称-值对的论点。GyD.F4y2Ba
例如,看到GyD.F4y2Ba优化Ecoc分类器GyD.F4y2Ba.GyD.F4y2Ba
例子:GyD.F4y2Ba'汽车'GyD.F4y2Ba
“HyperparameterOptimizationOptions”GyD.F4y2Ba
-GyD.F4y2Ba选择优化GyD.F4y2Ba优化选项,指定为逗号分隔对组成GyD.F4y2Ba“HyperparameterOptimizationOptions”GyD.F4y2Ba
和结构。该参数修改GyD.F4y2BaOptimizeHyperparametersGyD.F4y2Ba
名称-值对的论点。结构中的所有字段都是可选的。GyD.F4y2Ba
字段名称GyD.F4y2Ba | 值GyD.F4y2Ba | 默认GyD.F4y2Ba |
---|---|---|
优化器GyD.F4y2Ba |
|
'Bayesopt'GyD.F4y2Ba |
收集功能名称GyD.F4y2Ba |
获取函数的名称包括GyD.F4y2Ba |
“expected-improvement-per-second-plus”GyD.F4y2Ba |
MaxObjectiveEvaluationsGyD.F4y2Ba |
最大客观函数评估数。GyD.F4y2Ba | 30.GyD.F4y2Ba 为GyD.F4y2Ba'Bayesopt'GyD.F4y2Ba 或GyD.F4y2Ba'randomsearch'GyD.F4y2Ba ,和整个网格GyD.F4y2Ba“gridsearch”GyD.F4y2Ba |
MaxTime.GyD.F4y2Ba |
时限,指定为正实。时间限制以秒为单位,用GyD.F4y2Ba |
正GyD.F4y2Ba |
numgriddivisiving.GyD.F4y2Ba |
为GyD.F4y2Ba“gridsearch”GyD.F4y2Ba ,表示每个维度中值的数量。该值可以是一个给出每个维度值数量的正整数向量,也可以是适用于所有维度的标量。对于分类变量,该字段被忽略。GyD.F4y2Ba |
10.GyD.F4y2Ba |
ShowPlotsGyD.F4y2Ba |
指示是否显示绘图的逻辑值。如果GyD.F4y2Ba真的GyD.F4y2Ba ,该域根据迭代次数绘制出最佳目标函数值。如果有一个或两个优化参数,如果GyD.F4y2Ba优化器GyD.F4y2Ba 是GyD.F4y2Ba'Bayesopt'GyD.F4y2Ba ,然后GyD.F4y2BaShowPlotsGyD.F4y2Ba 还根据参数绘制目标函数的模型。GyD.F4y2Ba |
真的GyD.F4y2Ba |
SaveIntermediateResultsGyD.F4y2Ba |
表示是否保存结果的逻辑值GyD.F4y2Ba优化器GyD.F4y2Ba 是GyD.F4y2Ba'Bayesopt'GyD.F4y2Ba .如果GyD.F4y2Ba真的GyD.F4y2Ba ,此字段覆盖名为的工作空间变量GyD.F4y2Ba“BayesoptResults”GyD.F4y2Ba 在每一个迭代。变量是aGyD.F4y2BaBayesianOptimizationGyD.F4y2Ba 对象。GyD.F4y2Ba |
假GyD.F4y2Ba |
详细的GyD.F4y2Ba |
显示到命令行。GyD.F4y2Ba
具体操作请参见GyD.F4y2Ba |
1GyD.F4y2Ba |
UseParallelGyD.F4y2Ba |
指示是否并行运行贝叶斯优化的逻辑值,这需要并行计算工具箱。由于并行时序的不可再现性,并行贝叶斯优化并不一定产生可再现的结果。有关详细信息,请参阅GyD.F4y2Ba平行的贝叶斯优化GyD.F4y2Ba.GyD.F4y2Ba | 假GyD.F4y2Ba |
重新分区GyD.F4y2Ba |
指示是否在每次迭代时重新划分交叉验证的逻辑值。如果GyD.F4y2Ba
|
假GyD.F4y2Ba |
不超过以下三个字段名称中的一个。GyD.F4y2Ba | ||
CVPartitionGyD.F4y2Ba |
一种GyD.F4y2BacvpartitionGyD.F4y2Ba 对象,如通过创建GyD.F4y2BacvpartitionGyD.F4y2Ba .GyD.F4y2Ba |
“Kfold”, 5GyD.F4y2Ba 如果您没有指定任何交叉验证字段GyD.F4y2Ba |
坚持GyD.F4y2Ba |
范围内的标量GyD.F4y2Ba(0,1)GyD.F4y2Ba 表示坚持不懈的分数。GyD.F4y2Ba |
|
KfoldGyD.F4y2Ba |
整数大于1。GyD.F4y2Ba |
例子:GyD.F4y2Ba'hyperparameteroptimizationOptions',struct('maxobjectiveevaluations',60)GyD.F4y2Ba
数据类型:GyD.F4y2Ba结构体GyD.F4y2Ba
MdlGyD.F4y2Ba
-培训ECOC模式GyD.F4y2BaClassificationECOCGyD.F4y2Ba
模型对象|GyD.F4y2BaCompactClassificationECOCGyD.F4y2Ba
模型对象|GyD.F4y2BaClassificationPartitionedECOCGyD.F4y2Ba
交叉验证的模型对象|GyD.F4y2BaClassificationPartitionedLinearECOCGyD.F4y2Ba
交叉验证的模型对象|GyD.F4y2BaClassificationPartitionedKernelECOCGyD.F4y2Ba
旨在模型对象GyD.F4y2Ba训练过的ECOC分类器,返回为GyD.F4y2BaClassificationECOCGyD.F4y2Ba
或GyD.F4y2BaCompactClassificationECOCGyD.F4y2Ba
模型对象,或者GyD.F4y2BaClassificationPartitionedECOCGyD.F4y2Ba
那GyD.F4y2BaClassificationPartitionedLinearECOCGyD.F4y2Ba
,或GyD.F4y2BaClassificationPartitionedKernelECOCGyD.F4y2Ba
旨在模型对象。GyD.F4y2Ba
下表显示了返回的模型对象类型GyD.F4y2BafitcecocGyD.F4y2Ba
这取决于您指定的二进制学习器类型以及您是否执行交叉验证。GyD.F4y2Ba
线性分类模型学习者GyD.F4y2Ba | 核分类模型学习者GyD.F4y2Ba | 交叉验证GyD.F4y2Ba | 返回模型对象GyD.F4y2Ba |
---|---|---|---|
没有GyD.F4y2Ba | 没有GyD.F4y2Ba | 没有GyD.F4y2Ba | ClassificationECOCGyD.F4y2Ba |
没有GyD.F4y2Ba | 没有GyD.F4y2Ba | 是的GyD.F4y2Ba | ClassificationPartitionedECOCGyD.F4y2Ba |
是的GyD.F4y2Ba | 没有GyD.F4y2Ba | 没有GyD.F4y2Ba | CompactClassificationECOCGyD.F4y2Ba |
是的GyD.F4y2Ba | 没有GyD.F4y2Ba | 是的GyD.F4y2Ba | ClassificationPartitionedLinearECOCGyD.F4y2Ba |
没有GyD.F4y2Ba | 是的GyD.F4y2Ba | 没有GyD.F4y2Ba | CompactClassificationECOCGyD.F4y2Ba |
没有GyD.F4y2Ba | 是的GyD.F4y2Ba | 是的GyD.F4y2Ba | ClassificationPartitionedKernelECOCGyD.F4y2Ba |
HyperParameterOptimationResults.GyD.F4y2Ba
- 近似参数交叉验证优化的描述GyD.F4y2BaBayesianOptimizationGyD.F4y2Ba
对象|超参数和关联值表GyD.F4y2BaHyperParameters的交叉验证优化描述,返回为aGyD.F4y2BaBayesianOptimizationGyD.F4y2Ba
对象或超参数和关联值表。GyD.F4y2BaHyperParameterOptimationResults.GyD.F4y2Ba
是不是空的GyD.F4y2BaOptimizeHyperparametersGyD.F4y2Ba
名称 - 值对参数是非空的GyD.F4y2Ba学习者GyD.F4y2Ba
名称值对参数指定线性或内核二进制学习者。该值取决于设置的设置GyD.F4y2BaHyperParameterOptimizationOptions.GyD.F4y2Ba
名称值对参数:GyD.F4y2Ba
'Bayesopt'GyD.F4y2Ba
(默认) - 类的对象GyD.F4y2BaBayesianOptimizationGyD.F4y2Ba
“gridsearch”GyD.F4y2Ba
或GyD.F4y2Ba'randomsearch'GyD.F4y2Ba
- 使用的超级参数表,观察到的目标函数值(交叉验证丢失),以及从最小(最佳)到最高(最差)的观察等级GyD.F4y2Ba
数据类型:GyD.F4y2Ba表格GyD.F4y2Ba
fitcecocGyD.F4y2Ba
金宝app仅支持稀疏矩阵用于训练线性分类模型。对于所有其他型号,提供预测数据的完整矩阵来代替。GyD.F4y2Ba
一种GyD.F4y2Ba二元损失GyD.F4y2Ba是类和分类分数的函数,它决定了二进制学习者将观察分类到类中的程度。GyD.F4y2Ba
假设如下:GyD.F4y2Ba
mGyD.F4y2BakjGyD.F4y2Ba是元素(GyD.F4y2BaK.GyD.F4y2Ba那GyD.F4y2BajGyD.F4y2Ba)的编码设计矩阵GyD.F4y2BamGyD.F4y2Ba(即与类对应的代码GyD.F4y2BaK.GyD.F4y2Ba二进制的学习者GyD.F4y2BajGyD.F4y2Ba).GyD.F4y2Ba
S.GyD.F4y2BajGyD.F4y2Ba是二进制学习者的分数GyD.F4y2BajGyD.F4y2Ba对于一个观察。GyD.F4y2Ba
GGyD.F4y2Ba为二进制损失函数。GyD.F4y2Ba
是预测的观察类。GyD.F4y2Ba
在GyD.F4y2Ba基于损失的解码GyD.F4y2Ba[escalera等。]GyD.F4y2Ba,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,GyD.F4y2Ba
在GyD.F4y2Baloss-weighted解码GyD.F4y2Ba[escalera等。]GyD.F4y2Ba,制作二进制学习者二进制损失的最小平均值的阶级决定了预测的观察类,即GyD.F4y2Ba
allwein等。GyD.F4y2Ba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。GyD.F4y2Ba
此表总结了支持的损耗功能,其中金宝appGyD.F4y2BayGyD.F4y2BajGyD.F4y2Ba为特定的二进制学习者类别标签(在集合{-1,1,0}),GyD.F4y2BaS.GyD.F4y2BajGyD.F4y2Ba分数是否供观察GyD.F4y2BajGyD.F4y2Ba,GyD.F4y2BaGGyD.F4y2Ba(GyD.F4y2BayGyD.F4y2BajGyD.F4y2Ba那GyD.F4y2BaS.GyD.F4y2BajGyD.F4y2Ba).GyD.F4y2Ba
价值GyD.F4y2Ba | 描述GyD.F4y2Ba | 分数域GyD.F4y2Ba | GGyD.F4y2Ba(GyD.F4y2BayGyD.F4y2BajGyD.F4y2Ba那GyD.F4y2BaS.GyD.F4y2BajGyD.F4y2Ba)GyD.F4y2Ba |
---|---|---|---|
'binodeviance'GyD.F4y2Ba |
二项异常GyD.F4y2Ba | ( - ∞,∞)GyD.F4y2Ba | 日志(1 + exp (2GyD.F4y2BayGyD.F4y2BajGyD.F4y2BaS.GyD.F4y2BajGyD.F4y2Ba)] / [2log(2)]GyD.F4y2Ba |
'指数'GyD.F4y2Ba |
幂数GyD.F4y2Ba | ( - ∞,∞)GyD.F4y2Ba | exp (-GyD.F4y2BayGyD.F4y2BajGyD.F4y2BaS.GyD.F4y2BajGyD.F4y2Ba) / 2GyD.F4y2Ba |
“汉明”GyD.F4y2Ba |
汉明GyD.F4y2Ba | [0, 1]或(-∞,∞)GyD.F4y2Ba | [1 - 符号(GyD.F4y2BayGyD.F4y2BajGyD.F4y2BaS.GyD.F4y2BajGyD.F4y2Ba)] / 2GyD.F4y2Ba |
“枢纽”GyD.F4y2Ba |
合页GyD.F4y2Ba | ( - ∞,∞)GyD.F4y2Ba | max(0,1 -GyD.F4y2BayGyD.F4y2BajGyD.F4y2BaS.GyD.F4y2BajGyD.F4y2Ba) / 2GyD.F4y2Ba |
“线性”GyD.F4y2Ba |
线性GyD.F4y2Ba | ( - ∞,∞)GyD.F4y2Ba | (1 -GyD.F4y2BayGyD.F4y2BajGyD.F4y2BaS.GyD.F4y2BajGyD.F4y2Ba) / 2GyD.F4y2Ba |
分对数的GyD.F4y2Ba |
物流GyD.F4y2Ba | ( - ∞,∞)GyD.F4y2Ba | 日志[1 + exp (-GyD.F4y2BayGyD.F4y2BajGyD.F4y2BaS.GyD.F4y2BajGyD.F4y2Ba)] / [2log(2)]GyD.F4y2Ba |
“二次”GyD.F4y2Ba |
二次GyD.F4y2Ba | [0, 1]GyD.F4y2Ba | (1 -GyD.F4y2BayGyD.F4y2BajGyD.F4y2Ba(2GyD.F4y2BaS.GyD.F4y2BajGyD.F4y2Ba- 1)]GyD.F4y2Ba2GyD.F4y2Ba/ 2.GyD.F4y2Ba |
该软件使二进制损失正常化,当损失是0.5GyD.F4y2BayGyD.F4y2BajGyD.F4y2Ba= 0,并使用二进制学习者的平均值进行聚合GyD.F4y2Ba(Allwein等。)GyD.F4y2Ba.GyD.F4y2Ba
不要将二进制损失与总体分类损失(由GyD.F4y2Ba“LossFun”GyD.F4y2Ba
的名称-值对参数GyD.F4y2Ba损失GyD.F4y2Ba
和GyD.F4y2Ba预测GyD.F4y2Ba
对象函数),它衡量ECOC分类器作为一个整体的执行情况。GyD.F4y2Ba
一种GyD.F4y2Ba编码设计GyD.F4y2Ba是一个矩阵,其中元素是由每个二进制学习者训练哪个类的元素,即,多字符问题如何减少到一系列二元问题。GyD.F4y2Ba
编码设计的每一行对应一个不同的类,每一列对应一个二元学习者。在三元编码设计中,对于特定的列(或二元学习者):GyD.F4y2Ba
包含1的一行指示二元学习者将对应类中的所有观察结果分组为一个积极类。GyD.F4y2Ba
包含-1的行将二进制学习者指导将相应阶级的所有观测分组到负类中。GyD.F4y2Ba
包含0的行指示二进制学习者忽略对应类中的所有观察值。GyD.F4y2Ba
基于汉明测度的大、最小、成对行距离的编码设计矩阵是最优的。关于双行距离的详细信息请参见GyD.F4y2Ba随机编码设计矩阵GyD.F4y2Ba和GyD.F4y2Ba[4]GyD.F4y2Ba.GyD.F4y2Ba
此表描述了流行的编码设计。GyD.F4y2Ba
编码设计GyD.F4y2Ba | 描述GyD.F4y2Ba | 学习者人数GyD.F4y2Ba | 最小的成对行距离GyD.F4y2Ba |
---|---|---|---|
one-versus-all(卵子)GyD.F4y2Ba | 对于每个二元学习者来说,有一类是正面的,其余的是负面的。这个设计用尽了积极的课堂作业的所有组合。GyD.F4y2Ba | K.GyD.F4y2Ba | 2GyD.F4y2Ba |
一对 - 一(ovo)GyD.F4y2Ba | 对于每一个二元学习者,一个类是积极的,另一个类是消极的,其余的则被忽略。该设计排除了类对分配的所有组合。GyD.F4y2Ba | K.GyD.F4y2Ba(GyD.F4y2BaK.GyD.F4y2Ba- 1) / 2GyD.F4y2Ba |
1GyD.F4y2Ba |
二进制文件完成GyD.F4y2Ba | 这种设计将类划分为所有的二进制组合,并且不忽略任何类。也就是说,所有班级任务都是GyD.F4y2Ba |
2GyD.F4y2BaK.GyD.F4y2Ba- 1GyD.F4y2Ba- 1GyD.F4y2Ba | 2GyD.F4y2BaK.GyD.F4y2Ba- 2GyD.F4y2Ba |
三元完成GyD.F4y2Ba | 此设计将类分为所有三元组合。也就是说,所有班级任务都是GyD.F4y2Ba |
(3.GyD.F4y2BaK.GyD.F4y2Ba- 2GyD.F4y2BaK.GyD.F4y2Ba+ 1GyD.F4y2Ba+ 1)/ 2GyD.F4y2Ba |
3.GyD.F4y2BaK.GyD.F4y2Ba- 2GyD.F4y2Ba |
序数GyD.F4y2Ba | 对于第一个二元学习者,第一堂课是消极的,其余的是积极的。对于第二个二元学习者,前两个类是否定的,其余类是肯定的,以此类推。GyD.F4y2Ba | K.GyD.F4y2Ba- 1GyD.F4y2Ba | 1GyD.F4y2Ba |
密集的随机GyD.F4y2Ba | 对于每个二进制学习者,软件将类分配为正或负类,每种类型中的至少一个。有关更多详细信息,请参阅GyD.F4y2Ba随机编码设计矩阵GyD.F4y2Ba.GyD.F4y2Ba | 随机,但大约10个日志GyD.F4y2Ba2GyD.F4y2BaK.GyD.F4y2Ba |
变量GyD.F4y2Ba |
稀疏随机GyD.F4y2Ba | 对于每个二进制学习者,软件随机将类别分配为正或负,概率为0.25,并忽略概率0.5的类。有关更多详细信息,请参阅GyD.F4y2Ba随机编码设计矩阵GyD.F4y2Ba.GyD.F4y2Ba | 随机,但大约15个日志GyD.F4y2Ba2GyD.F4y2BaK.GyD.F4y2Ba |
变量GyD.F4y2Ba |
这张图比较了编码设计中二进制学习器的数量随增加而增加的情况GyD.F4y2BaK.GyD.F4y2Ba.GyD.F4y2Ba
一个GyD.F4y2Ba纠错输出码(ECOC)模型GyD.F4y2Ba将具有三个或更多类的分类问题简化为一组二元分类问题。GyD.F4y2Ba
ECOC分类需要编码设计,该编码设计确定二进制学习者训练的类和解码方案,它决定了二进制分类器的结果(预测)如何聚合。GyD.F4y2Ba
假设如下:GyD.F4y2Ba
分类问题分为三类。GyD.F4y2Ba
编码设计是一对一的。对于三个类,这个编码设计是GyD.F4y2Ba
解码方案使用损耗GyD.F4y2BaGGyD.F4y2Ba.GyD.F4y2Ba
学习者是支持向量机。GyD.F4y2Ba
为了建立这个分类模型,ECOC算法遵循以下步骤。GyD.F4y2Ba
学习者1在1班或2班进行观察训练,将1班视为积极班,将2班视为消极班。其他学习者也接受类似的训练。GyD.F4y2Ba
让GyD.F4y2BamGyD.F4y2Ba是带有元素的编码设计矩阵GyD.F4y2BamGyD.F4y2Ba吉隆坡GyD.F4y2Ba,GyD.F4y2BaS.GyD.F4y2BaL.GyD.F4y2Ba为学习者积极类的预测分类得分GyD.F4y2BaL.GyD.F4y2Ba.算法将一个新的观测值分配给类(GyD.F4y2Ba ),使损失的总和最小化GyD.F4y2BaL.GyD.F4y2Ba二进制的学习者。GyD.F4y2Ba
与其他多键模型相比,ecoc模型可以提高分类准确性GyD.F4y2Ba[2]GyD.F4y2Ba.GyD.F4y2Ba
二进制学习者数量的增长与类的数量。对于许多类的问题时,GyD.F4y2Ba二进制组合GyD.F4y2Ba
和GyD.F4y2Ba短跑GyD.F4y2Ba
编码设计是低效的。然而:GyD.F4y2Ba
如果GyD.F4y2BaK.GyD.F4y2Ba≤4,则使用GyD.F4y2Ba短跑GyD.F4y2Ba
编码设计而不是GyD.F4y2BasparserandomGyD.F4y2Ba
.GyD.F4y2Ba
如果GyD.F4y2BaK.GyD.F4y2Ba≤5,则使用GyD.F4y2Ba二进制组合GyD.F4y2Ba
编码设计而不是GyD.F4y2BadenserandomGyD.F4y2Ba
.GyD.F4y2Ba
您可以通过输入显示培训的ECOC分类器的编码设计矩阵GyD.F4y2Bamdl.codingmatrix.GyD.F4y2Ba
进入命令窗口。GyD.F4y2Ba
您应该使用对应用程序的熟悉知识来形成一个编码矩阵,并考虑到计算约束。如果你有足够的计算能力和时间,那么尝试几个编码矩阵,并选择一个性能最好的(例如,检查每个模型使用的混淆矩阵GyD.F4y2BaconfusionchartGyD.F4y2Ba
).GyD.F4y2Ba
分析交叉验证(GyD.F4y2BaLeaveoutGyD.F4y2Ba
)对于具有许多观察的数据集是效率低下。相反,使用GyD.F4y2BaK.GyD.F4y2Ba倍交叉验证(GyD.F4y2BaKFoldGyD.F4y2Ba
).GyD.F4y2Ba
培训模型后,您可以生成C / C ++代码,该代码预测新数据的标签。生成C / C ++代码需要GyD.F4y2BaMATLAB编码器™GyD.F4y2Ba.有关详细信息,请参阅GyD.F4y2Ba代码生成简介GyD.F4y2Ba.GyD.F4y2Ba
自定义编码矩阵必须具有某种形式。软件通过确保验证自定义编码矩阵:GyD.F4y2Ba
每个元素为-1,0或1。GyD.F4y2Ba
每一列至少包含一个-1和一个1。GyD.F4y2Ba
对于所有不同的列向量GyD.F4y2Ba你GyD.F4y2Ba和GyD.F4y2BaV.GyD.F4y2Ba那GyD.F4y2Ba你GyD.F4y2Ba≠GyD.F4y2BaV.GyD.F4y2Ba和GyD.F4y2Ba你GyD.F4y2Ba≠-GyD.F4y2BaV.GyD.F4y2Ba.GyD.F4y2Ba
所有行向量都是唯一的。GyD.F4y2Ba
矩阵可以分离任意两个类。也就是说,你可以按照以下规则从任意一行移动到另一行:GyD.F4y2Ba
你可以从1垂直移动到-1或-1垂直移动到1。GyD.F4y2Ba
你可以从一个非零元素水平移动到另一个非零元素。GyD.F4y2Ba
您只能使用矩阵的一列进行一次垂直移动。GyD.F4y2Ba
如果无法从行移动GyD.F4y2Ba一世GyD.F4y2Ba行GyD.F4y2BajGyD.F4y2Ba使用这些规则,然后是课程GyD.F4y2Ba一世GyD.F4y2Ba和GyD.F4y2BajGyD.F4y2Ba不能用设计分开。例如,在编码设计中GyD.F4y2Ba
类1和2不能与类别3和4分开(即,您不能从第2行中的-1水平移动到第2列,因为该位置中有0个)。因此,该软件拒绝该编码设计。GyD.F4y2Ba
如果您使用并行计算(参见GyD.F4y2Ba选项GyD.F4y2Ba
),然后GyD.F4y2BafitcecocGyD.F4y2Ba
并行训练二元学习者。GyD.F4y2Ba
先前概率 - 软件将指定的类现有概率标准化(GyD.F4y2Ba事先的GyD.F4y2Ba
)。让GyD.F4y2BamGyD.F4y2Ba是编码设计矩阵和GyD.F4y2Ba一世GyD.F4y2Ba(GyD.F4y2Ba一种GyD.F4y2Ba那GyD.F4y2BaCGyD.F4y2Ba)是指示器矩阵。指示矩阵具有与其相同的尺寸GyD.F4y2Ba一种GyD.F4y2Ba.的对应元素GyD.F4y2Ba一种GyD.F4y2Ba是GyD.F4y2BaCGyD.F4y2Ba,然后指示矩阵具有等于一个元素,否则为零。让GyD.F4y2BamGyD.F4y2Ba+1GyD.F4y2Ba和GyD.F4y2BamGyD.F4y2Ba-1GyD.F4y2Ba是GyD.F4y2BaK.GyD.F4y2Ba-经过-GyD.F4y2BaL.GyD.F4y2Ba这样的矩阵:GyD.F4y2Ba
mGyD.F4y2Ba+1GyD.F4y2Ba=GyD.F4y2BamGyD.F4y2Ba○GyD.F4y2Ba一世GyD.F4y2Ba(GyD.F4y2BamGyD.F4y2Ba,1),其中〇为元素乘法(即,GyD.F4y2BaMplus = M *(M == 1)GyD.F4y2Ba
).同时,让GyD.F4y2Ba
是列向量GyD.F4y2BaL.GyD.F4y2Ba的GyD.F4y2BamGyD.F4y2Ba+1GyD.F4y2Ba.GyD.F4y2Ba
mGyD.F4y2Ba-1GyD.F4y2Ba= -GyD.F4y2BamGyD.F4y2Ba○GyD.F4y2Ba一世GyD.F4y2Ba(GyD.F4y2BamGyD.F4y2Ba1) (GyD.F4y2BaMminus = - m。* (M = = 1)GyD.F4y2Ba
).同时,让GyD.F4y2Ba
是列向量GyD.F4y2BaL.GyD.F4y2Ba的GyD.F4y2BamGyD.F4y2Ba-1GyD.F4y2Ba.GyD.F4y2Ba
让GyD.F4y2Ba
和GyD.F4y2Ba
, 在哪里GyD.F4y2BaπGyD.F4y2Ba是指定的载体的矢量概率(GyD.F4y2Ba事先的GyD.F4y2Ba
).GyD.F4y2Ba
然后,给出二元学习者的正、负标量类先验概率GyD.F4y2BaL.GyD.F4y2Ba是GyD.F4y2Ba
在哪里GyD.F4y2BajGyD.F4y2Ba= {1}GyD.F4y2Ba 是一种规范吗GyD.F4y2Ba一种GyD.F4y2Ba.GyD.F4y2Ba
成本-软件正常化GyD.F4y2BaK.GyD.F4y2Ba-经过-GyD.F4y2BaK.GyD.F4y2Ba成本矩阵GyD.F4y2BaCGyD.F4y2Ba(GyD.F4y2Ba成本GyD.F4y2Ba
)。对于二进制学习者GyD.F4y2BaL.GyD.F4y2Ba,将负类观察归为正类观察的成本是GyD.F4y2Ba
同样地,将一个积极的观察分类为消极的观察的代价是GyD.F4y2Ba
二元学习者的代价矩阵GyD.F4y2BaL.GyD.F4y2Ba是GyD.F4y2Ba
ECOC模型通过将其与课程概率合并来满足错误分类成本。如果您指定GyD.F4y2Ba事先的GyD.F4y2Ba
和GyD.F4y2Ba成本GyD.F4y2Ba
然后,该软件调整类的现有概率,如下所示:GyD.F4y2Ba
对于给定数量的课程GyD.F4y2BaK.GyD.F4y2Ba,该软件生成随机编码设计矩阵如下。GyD.F4y2Ba
软件生成这些矩阵之一:GyD.F4y2Ba
稠密随机-软件以相等的概率分配1或- 1给每个元素GyD.F4y2BaK.GyD.F4y2Ba-经过-GyD.F4y2BaL.GyD.F4y2BaD.GyD.F4y2Ba编码设计矩阵,在哪里GyD.F4y2Ba .GyD.F4y2Ba
稀疏随机 - 软件为每个元素分配1GyD.F4y2BaK.GyD.F4y2Ba-经过-GyD.F4y2BaL.GyD.F4y2BaS.GyD.F4y2Ba以0.25概率编码设计矩阵,-1以0.25概率编码设计矩阵,0以0.5概率编码设计矩阵GyD.F4y2Ba .GyD.F4y2Ba
如果一列不包含至少一个1和至少一个-1,则软件将删除该列。GyD.F4y2Ba
对于不同的列GyD.F4y2Ba你GyD.F4y2Ba和GyD.F4y2BaV.GyD.F4y2Ba, 如果GyD.F4y2Ba你GyD.F4y2Ba=GyD.F4y2BaV.GyD.F4y2Ba或GyD.F4y2Ba你GyD.F4y2Ba= -GyD.F4y2BaV.GyD.F4y2Ba,则软件会移除GyD.F4y2BaV.GyD.F4y2Ba从编码设计矩阵。GyD.F4y2Ba
软件默认随机生成10,000个矩阵,并保留最大、最小、基于汉明度量的成对行距离矩阵(GyD.F4y2Ba[4]GyD.F4y2Ba)给出GyD.F4y2Ba
在哪里GyD.F4y2BamGyD.F4y2BaK.GyD.F4y2BajGyD.F4y2BaL.GyD.F4y2Ba是编码设计矩阵的一个元素吗GyD.F4y2BajGyD.F4y2Ba.GyD.F4y2Ba
默认情况下,为了效率,GyD.F4y2BafitcecocGyD.F4y2Ba
清空GyD.F4y2BaαGyD.F4y2Ba
那GyD.F4y2Ba金宝appSupportVectorLabels.GyD.F4y2Ba
,GyD.F4y2Ba金宝appSupportVectorsGyD.F4y2Ba
所有线性支持向量机二进制学习器的性质。GyD.F4y2BafitcecocGyD.F4y2Ba
清单GyD.F4y2BaβGyD.F4y2Ba
,而不是GyD.F4y2BaαGyD.F4y2Ba
,显示在模型中。GyD.F4y2Ba
储藏GyD.F4y2BaαGyD.F4y2Ba
那GyD.F4y2Ba金宝appSupportVectorLabels.GyD.F4y2Ba
,GyD.F4y2Ba金宝appSupportVectorsGyD.F4y2Ba
,传递一个指定存储支持向量的线性SVM模板金宝appGyD.F4y2BafitcecocGyD.F4y2Ba
.例如,输入:GyD.F4y2Ba
t = templatesvm(GyD.F4y2Ba“Save金宝appSupportVectors”GyD.F4y2Ba,真)MDL = fitcecoc(X,Y,GyD.F4y2Ba'学习者'GyD.F4y2Bat);GyD.F4y2Ba
您可以通过传递结果来删除支持向量和相关金宝app值GyD.F4y2BaClassificationECOCGyD.F4y2Ba
模型到GyD.F4y2Badiscard金宝appSupportVectorsGyD.F4y2Ba
.GyD.F4y2Ba
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》。GyD.F4y2Ba机器学习研究杂志GyD.F4y2Ba.2000年第1卷,113-141页。GyD.F4y2Ba
[2] Fürnkranz,约翰内斯,《轮循分类》。GyD.F4y2Baj·马赫。学习。Res。GyD.F4y2Ba, 2002年第2卷,721-747页。GyD.F4y2Ba
Pujol, S. Escalera, S. O. Pujol, P. Radeva。《论三元纠错输出码的译码过程》。GyD.F4y2Ba模式分析与机器智能学报GyD.F4y2Ba.2010年第32卷第7期120-134页。GyD.F4y2Ba
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。GyD.F4y2Ba模式recog。吧。GyD.F4y2Ba, Vol. 30, Issue 3, 2009, pp. 285-297。GyD.F4y2Ba
使用说明和限制:GyD.F4y2Ba
金宝app支持的语法是:GyD.F4y2Ba
Mdl = fitcecoc (X, Y)GyD.F4y2Ba
Mdl = fitcecoc (X, Y,名称,值)GyD.F4y2Ba
(Mdl FitInfo HyperparameterOptimizationResults] = fitcecoc (X, Y,名称,值)GyD.F4y2Ba
-GyD.F4y2BafitcecocGyD.F4y2Ba
返回额外的输出参数GyD.F4y2BaFitInfoGyD.F4y2Ba
和GyD.F4y2BaHyperParameterOptimationResults.GyD.F4y2Ba
当你指定GyD.F4y2Ba“OptimizeHyperparameters”GyD.F4y2Ba
名称-值对的论点。GyD.F4y2Ba
这GyD.F4y2BaFitInfoGyD.F4y2Ba
输出参数是目前用于未来使用的空结构阵列。GyD.F4y2Ba
不支持与交叉验证相关的选项。金宝app支持的名金宝app称-值对参数有:GyD.F4y2Ba
“类名”GyD.F4y2Ba
“成本”GyD.F4y2Ba
“编码”GyD.F4y2Ba
- 默认值是GyD.F4y2Ba'Onevsall'GyD.F4y2Ba
.GyD.F4y2Ba
“HyperparameterOptimizationOptions”GyD.F4y2Ba
-对于交叉验证,只支持高优化金宝appGyD.F4y2Ba“坚持”GyD.F4y2Ba
验证。默认情况下,软件选择并保留20%的数据作为拒绝验证数据,并使用其余的数据训练模型。您可以使用此参数为拒绝符部分指定一个不同的值。例如,指定GyD.F4y2Ba“HyperparameterOptimizationOptions”、结构(“抵抗”,0.3)GyD.F4y2Ba
要保留的数据作为验证数据的30%。GyD.F4y2Ba
'学习者'GyD.F4y2Ba
- 默认值是GyD.F4y2Ba“线性”GyD.F4y2Ba
.您可以指定GyD.F4y2Ba“线性”GyD.F4y2Ba
那GyD.F4y2Ba'核心'GyD.F4y2Ba
,一个GyD.F4y2BatemplateLinearGyD.F4y2Ba
或GyD.F4y2BaTemplateKernel.GyD.F4y2Ba
对象,或此类对象的单元格数组。GyD.F4y2Ba
“OptimizeHyperparameters”GyD.F4y2Ba
—当您使用线性二进制学习器时GyD.F4y2Ba'正规化'GyD.F4y2Ba
hyperparameter必须GyD.F4y2Ba“岭”GyD.F4y2Ba
.GyD.F4y2Ba
'事先的'GyD.F4y2Ba
“详细”GyD.F4y2Ba
- 默认值是GyD.F4y2Ba1GyD.F4y2Ba
.GyD.F4y2Ba
“重量”GyD.F4y2Ba
这个附加的名称-值对参数是特定于高数组的:GyD.F4y2Ba
“NumConcurrent”GyD.F4y2Ba
—一个正整数标量,指定通过结合文件I/O操作并发训练的二进制学习者的数量。的默认值GyD.F4y2Ba“NumConcurrent”GyD.F4y2Ba
是GyD.F4y2Ba1GyD.F4y2Ba
,这意味着GyD.F4y2BafitcecocGyD.F4y2Ba
按顺序列达二元学习者。GyD.F4y2Ba“NumConcurrent”GyD.F4y2Ba
当输入阵列不能符合分布式群集内存时,最有益。否则,可以缓存输入阵列,加速可以忽略不计。GyD.F4y2Ba
如果您在Apache Spark™上运行代码,GyD.F4y2BaNumConcurrentGyD.F4y2Ba
上限是由可用于通信的内存限制的。检查GyD.F4y2Ba“spark.executor.memory”GyD.F4y2Ba
和GyD.F4y2Ba'spark.driver.memory'GyD.F4y2Ba
Apache Spark配置中的属性。看到GyD.F4y2Baparallel.cluster.HadoopGyD.F4y2Ba
(并行计算工具箱)GyD.F4y2Ba为更多的细节。有关Apache Spark和其他控制代码运行位置的执行环境的更多信息,请参见GyD.F4y2Ba扩展高数组与其他产品下载188bet金宝搏GyD.F4y2Ba.GyD.F4y2Ba
有关更多信息,请参阅GyD.F4y2Ba高大的数组GyD.F4y2Ba.GyD.F4y2Ba
要并行运行,请设置GyD.F4y2Ba“UseParallel”GyD.F4y2Ba
选择GyD.F4y2Ba真的GyD.F4y2Ba
以下列方式之一:GyD.F4y2Ba
设置GyD.F4y2Ba“UseParallel”GyD.F4y2Ba
选项结构的领域GyD.F4y2Ba真的GyD.F4y2Ba
使用GyD.F4y2Ba实例化GyD.F4y2Ba
并指定GyD.F4y2Ba“选项”GyD.F4y2Ba
的调用中的名称-值对参数GyD.F4y2BaFitceoc.GyD.F4y2Ba
.GyD.F4y2Ba
例如:GyD.F4y2Ba'选项',statset('deverypallellel',true)GyD.F4y2Ba
有关更多信息,请参见GyD.F4y2Ba“选项”GyD.F4y2Ba
名称-值对的论点。GyD.F4y2Ba
方法执行并行超参数优化GyD.F4y2Ba“HyperparameterOptions”、结构(UseParallel,真的)GyD.F4y2Ba
的调用中的名称-值对参数GyD.F4y2BaFitceoc.GyD.F4y2Ba
.GyD.F4y2Ba
有关并行超参数优化的更多信息,请参见GyD.F4y2Ba平行的贝叶斯优化GyD.F4y2Ba.GyD.F4y2Ba
ClassificationECOCGyD.F4y2Ba
|GyD.F4y2BaClassificationPartitionedECOCGyD.F4y2Ba
|GyD.F4y2BaClassificationPartitionedKernelECOCGyD.F4y2Ba
|GyD.F4y2BaClassificationPartitionedLinearECOCGyD.F4y2Ba
|GyD.F4y2BaCompactClassificationECOCGyD.F4y2Ba
|GyD.F4y2BadesignecocGyD.F4y2Ba
|GyD.F4y2Ba损失GyD.F4y2Ba
|GyD.F4y2Ba预测GyD.F4y2Ba
|GyD.F4y2Ba实例化GyD.F4y2Ba
你点击一个链接对应于这个MATLAB命令:GyD.F4y2Ba
在MATLAB命令窗口中输入它来运行命令。Web浏览器不支持MATLAB命令。金宝appGyD.F4y2Ba
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:GyD.F4y2Ba.GyD.F4y2Ba
选择GyD.F4y2Ba网站GyD.F4y2Ba您还可以从以下列表中选择一个网站:GyD.F4y2Ba
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。GyD.F4y2Ba