利用随机特征展开拟合高斯核分类模型据/P.>
Fitconnelel.据/code>训练或交叉验证二元高斯核分类模型的非线性分类。据code class="function">Fitconnelel.据/code>对于具有大型训练集的大数据应用程序更实用,但也可以应用于适合内存的较小数据集。据/P.>
要培训非线性SVM模型,请参阅内存数据的二进制分类,参见据a href="//www.tatmou.com/help/stats/fitcsvm.html">Fitconnelel.据/code>将低维空间中的数据映射到高维空间,然后通过最小化正则化目标函数来拟合高维空间的线性模型。获得高维空间中的线性模型等同于将高斯内核应用于低维空间中的模型。可用的线性分类模型包括正则化支持向量机(SVM)和Logistic回归模型。金宝app据/P.>
fitcsvm.据/code>.据/P.>
返回使用中的预测数据训练的二元高斯核分类模型据code class="argument">X据/code>和相应的类标签据code class="argument">y据/code>.这据code class="function">Fitconnelel.据/code>功能将低维空间中的预测器映射到高维空间中,然后将二进制SVM模型适合转换后的预测器和类标签。该线性模型相当于低维空间中的高斯内核分类模型。据/P.>
MDL.据/code>
= fitckernel (据a href="#d123e859225" class="intrnllnk">X据/code>那据a href="#d123e859265" class="intrnllnk">
y据/code>)据/code>
返回内核分类模型据code class="argument">MDL.据/code>使用表中包含的预测变量培训据code class="argument">TBL.据/code>和类标签据code class="literal">tbl.responsevarname.据/code>.据/P.>
MDL.据/code>
= fitckernel (据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Tbl" class="intrnllnk">TBL.据/code>那据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-ResponseVarName" class="intrnllnk">
ResponseVarName据/code>)据/code>
返回使用表中的样本数据训练的核分类模型据code class="argument">TBL.据/code>.输入参数据code class="argument">公式据/code>是响应的解释模型和预测变量的子集据code class="argument">TBL.据/code>适合使用据code class="argument">MDL.据/code>.据/P.>
MDL.据/code>
= fitckernel (据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Tbl" class="intrnllnk">TBL.据/code>那据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-formula" class="intrnllnk">
公式据/code>)据/code>
使用表中的预测变量返回内核分类模型据code class="argument">TBL.据/code>和向量中的班级标签据code class="argument">y据/code>.据/P.>
MDL.据/code>
= fitckernel (据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Tbl" class="intrnllnk">TBL.据/code>那据a href="#d123e859265" class="intrnllnk">
y据/code>)据/code>
除了前面语法中的任何输入参数组合外,还使用一个或多个名称-值对参数指定选项。例如,您可以实现逻辑回归、指定扩展空间的维数或指定交叉验证。据/P.>
MDL.据/code>
= fitckernel (据span class="argument_placeholder">___据/span>那据a href="#namevaluepairarguments" class="intrnllnk">名称,值据/code>)据/code>
[据a href="#d123e861696" class="intrnllnk">
也返回结构数组中的fit信息据code class="argument">FitInfo据/code>使用任何在前面的语法输入参数。你不能要求据code class="argument">FitInfo据/code>用于交叉验证模型。据/P.>
MDL.据/code>那据a href="#d123e861761" class="intrnllnk">
FitInfo据/code>] = fitcynernel(据span class="argument_placeholder">___据/span>)据/code>
[据a href="#d123e861696" class="intrnllnk">
还返回超参数优化结果据code class="argument">HyperParameterOptimationResults.据/code>方法优化超参数据a href="#mw_b2a3645c-db59-461a-b388-728ab169c572" class="intrnllnk">MDL.据/code>那据a href="#d123e861761" class="intrnllnk">
FitInfo据/code>那据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_mw_d85d84fa-0222-43da-a8ca-e20f2e624030" class="intrnllnk">
HyperParameterOptimationResults.据/code>] = fitcynernel(据span class="argument_placeholder">___据/span>)据/code>
'OptimizeHyperParameters'据/code>名称-值对的论点。据/P.>
使用SVM列车二元内核分类模型。据/P.>
加载据code class="literal">电离层据/code>数据集。该数据集有34个预测器和351个雷达返回的二进制响应,或坏(据code class="literal">'B'据/code>)或好(据code class="literal">'G'据/code>)。据/P.>
加载据span style="color:#A020F0">电离层据/span>[N,P] =尺寸(X)据/P.re>
n = 351据/P.re>
P = 34.据/P.re>
resp =独特(Y)据/P.re>
resp =据span class="emphasis">2 x1细胞据/E.m>{b} {' g '}据/P.re>
训练二值核分类模型,识别雷达回波是否坏(据code class="literal">'B'据/code>)或好(据code class="literal">'G'据/code>)。提取一个合适的摘要,以确定优化算法将模型与数据相匹配的程度。据/P.>
rng (据span style="color:#A020F0">“默认”据/span>)据span style="color:#228B22">%的再现性据/span>[Mdl, FitInfo] = fitckernel (X, Y)据/P.re>
MDL = ClassificationKernel ClaseringAme:'Y'ClassNames:{'B'''G'}学习者:'SVM'NumExpansionDimensions:2048 Kernelscale:1 Lambda:0.0028 BoxConstraint:1属性,方法据/P.re>
fitinfo =据span class="emphasis">结构体字段:据/E.m>求解器:'LBFGS-FAST'损耗功能:'铰链'Lambda:0.0028 Betatolerance:1.0000E-04 GradientialTalerance:1.0000E-06 GateViewValue:0.2604梯度射出:0.0028 RelativeChangeInbeta:8.2512E-05 Fittime:0.1526历史:[]据/P.re>
为了更好的准确性,您可以增加最大优化迭代次数(据code class="literal">'iterationlimit'据/code>),并降低公差值(据code class="literal">“BetaTolerance”据/code>和据code class="literal">'gradienttolerance'据/code>),使用名称-值对参数。这样做可以改善诸如据code class="literal">ObjectiveValue据/code>和据code class="literal">RelativeChangeInBeta据/code>在据code class="literal">FitInfo据/code>.您还可以通过使用型号参数来优化模型参数据code class="literal">'OptimizeHyperParameters'据/code>名称-值对的论点。据/P.>
MDL.据/code>是A.据code class="literal">ClassificationKernel据/code>模型。检查样本内分类误差,可以通过据code class="literal">MDL.据/code>和培训数据或新数据据a href="//www.tatmou.com/help/stats/classificationkernel.loss.html" class="a">
损失据/code>函数。或者,你可以通过据code class="literal">MDL.据/code>和新的预测数据据a href="//www.tatmou.com/help/stats/classificationkernel.predict.html" class="a">
预测据/code>函数来预测新的观察结果的类标签。你也可以通过据code class="literal">MDL.据/code>和训练数据据a href="//www.tatmou.com/help/stats/classificationkernel.resume.html" class="a">
恢复据/code>职能继续培训。据/P.>
FitInfo据/code>是包含优化信息的结构数组。使用据code class="literal">FitInfo据/code>确定优化终止测量是否令人满意。据/P.>
加载据code class="literal">电离层据/code>数据集。该数据集有34个预测器和351个雷达返回的二进制响应,或坏(据code class="literal">'B'据/code>)或好(据code class="literal">'G'据/code>)。据/P.>
加载据span style="color:#A020F0">电离层据/span>rng (据span style="color:#A020F0">“默认”据/span>)据span style="color:#228B22">%的再现性据/span>
交叉验证二进制内核分类模型。默认情况下,该软件使用10倍交叉验证。据/P.>
cvmdl = fitckernel(x,y,据span style="color:#A020F0">'横向'据/span>那据span style="color:#A020F0">'在'据/span>)据/P.re>
CVMdl = ClassificationPartitionedKernel CrossValidatedModel: 'Kernel' ResponseName: 'Y' NumObservations: 351 KFold: 10 Partition: [1x1 cvpartition] ClassNames: {'b' ' 'g'} ScoreTransform: 'none'属性,方法据/P.re>
元素个数(CVMdl.Trained)据/P.re>
ans = 10据/P.re>
估计交叉验证的分类误差。据/P.>
分类错误率大约为9%。据/P.>
cvmdl.据/code>是A.据code class="literal">ClassificationPartitionedKernel据/code>模型。因为据code class="literal">Fitconnelel.据/code>实现了10倍交叉验证,据code class="literal">cvmdl.据/code>包含10据code class="literal">ClassificationKernel据/code>模型,软件训练训练折叠(折叠)观察。据/P.>
kfoldLoss (CVMdl)据/P.re>
ans = 0.0940据/P.re>
方法自动优化超参数据code class="literal">'OptimizeHyperParameters'据/code>名称-值对的论点。据/P.>
加载据code class="literal">电离层据/code>数据集。该数据集有34个预测器和351个雷达返回的二进制响应,或坏(据code class="literal">'B'据/code>)或好(据code class="literal">'G'据/code>)。据/P.>
加载据span style="color:#A020F0">电离层据/span>
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。指定据code class="literal">'OptimizeHyperParameters'据/code>作为据code class="literal">'汽车'据/code>这据code class="literal">Fitconnelel.据/code>的最优值据code class="literal">“KernelScale”据/code>和据code class="literal">'lambda'据/code>名称值对参数。为了再现性,设置随机种子并使用据code class="literal">“expected-improvement-plus”据/code>采集功能。据/P.>
rng (据span style="color:#A020F0">“默认”据/span>)[mdl,fitinfo,hyperparameteroptimationresults] = fitcynernel(x,y,据span style="color:#A020F0">'OptimizeHyperParameters'据/span>那据span style="color:#A020F0">'汽车'据/span>那据span style="color:#0000FF">...据/span>'hyperparameteroptimizationoptions'据/span>,struct(据span style="color:#A020F0">'获取功能名称'据/span>那据span style="color:#A020F0">“expected-improvement-plus”据/span>)))据/P.re>
| ===================================================================================================== ||磨练|eval |目标|目标|Bestsofar |Bestsofar |KENELSCALE |lambda | | | result | | runtime | (observed) | (estim.) | | | |=====================================================================================================| | 1 | Best | 0.35897 | 0.61226 | 0.35897 | 0.35897 | 64.836 | 4.4811e-06 | | 2 | Accept | 0.35897 | 0.89723 | 0.35897 | 0.35897 | 0.036335 | 0.015885 | | 3 | Accept | 0.39601 | 1.0719 | 0.35897 | 0.36053 | 0.0022147 | 6.8254e-06 | | 4 | Accept | 0.35897 | 0.51388 | 0.35897 | 0.35898 | 5.1259 | 0.28097 | | 5 | Accept | 0.35897 | 0.87527 | 0.35897 | 0.35897 | 0.24853 | 0.10828 | | 6 | Accept | 0.35897 | 0.33667 | 0.35897 | 0.35897 | 885.09 | 0.00057316 | | 7 | Best | 0.10826 | 1.4449 | 0.10826 | 0.10833 | 8.0346 | 0.0048286 | | 8 | Best | 0.076923 | 0.60785 | 0.076923 | 0.076999 | 7.0902 | 0.0034068 | | 9 | Accept | 0.091168 | 0.7268 | 0.076923 | 0.077059 | 9.1504 | 0.0020604 | | 10 | Best | 0.062678 | 0.88783 | 0.062678 | 0.062723 | 3.5487 | 0.0025912 | | 11 | Accept | 0.062678 | 0.90467 | 0.062678 | 0.062741 | 2.3869 | 0.003321 | | 12 | Accept | 0.41026 | 0.76809 | 0.062678 | 0.062536 | 0.14075 | 0.0022499 | | 13 | Accept | 0.062678 | 1.1677 | 0.062678 | 0.062532 | 3.4215 | 0.0036803 | | 14 | Accept | 0.062678 | 1.1586 | 0.062678 | 0.061956 | 3.2928 | 0.0030533 | | 15 | Best | 0.05698 | 0.95405 | 0.05698 | 0.057204 | 5.0598 | 0.0025499 | | 16 | Accept | 0.062678 | 1.0064 | 0.05698 | 0.057186 | 5.3401 | 0.0015096 | | 17 | Accept | 0.05698 | 0.70785 | 0.05698 | 0.057118 | 1.813 | 0.0069209 | | 18 | Accept | 0.059829 | 0.6706 | 0.05698 | 0.057092 | 1.5122 | 0.0046637 | | 19 | Accept | 0.059829 | 0.80386 | 0.05698 | 0.05718 | 1.9277 | 0.0056364 | | 20 | Accept | 0.065527 | 0.76025 | 0.05698 | 0.057189 | 1.4064 | 0.0094306 | |=====================================================================================================| | Iter | Eval | Objective | Objective | BestSoFar | BestSoFar | KernelScale | Lambda | | | result | | runtime | (observed) | (estim.) | | | |=====================================================================================================| | 21 | Accept | 0.05698 | 1.1415 | 0.05698 | 0.057033 | 5.1719 | 0.0023614 | | 22 | Best | 0.054131 | 2.5181 | 0.054131 | 0.054176 | 1.9618 | 6.5704e-05 | | 23 | Best | 0.042735 | 0.7694 | 0.042735 | 0.042763 | 1.9463 | 1.0169e-05 | | 24 | Accept | 0.082621 | 1.2229 | 0.042735 | 0.042775 | 1.0661 | 1.3245e-05 | | 25 | Accept | 0.054131 | 2.0186 | 0.042735 | 0.042789 | 3.288 | 2.0035e-05 | | 26 | Accept | 0.062678 | 1.393 | 0.042735 | 0.042769 | 2.657 | 3.0334e-06 | | 27 | Accept | 0.059829 | 1.1079 | 0.042735 | 0.043054 | 2.0381 | 1.9791e-05 | | 28 | Accept | 0.042735 | 2.2283 | 0.042735 | 0.042764 | 3.5043 | 0.0001237 | | 29 | Accept | 0.054131 | 0.89117 | 0.042735 | 0.042764 | 1.3897 | 3.2288e-06 | | 30 | Accept | 0.062678 | 1.2096 | 0.042735 | 0.042792 | 2.2414 | 0.0002259 |据/P.re>
__________________________________________________________优化完成。30 MaxObjectiveEvaluations达到。总功能评价:30总的经过时间:69.4698秒总目标函数评估时间:31.3772最佳观察可行点:KernelScale LAMBDA ___________ __________ 1.9463 1.0169e-05观察到的目标函数值= 0.042735估计目标函数值= 0.043106函数求时间= 0.7694最佳(根据型号)估计可行点:KernelScale LAMBDA ___________ _________ 3.5043 0.0001237估计目标函数值= 0.042792估计函数评估时间= 1.6119据/P.re>
Mdl = ClassificationKernel ResponseName: 'Y' ClassNames: {'b' ' 'g'} Learner: 'svm' NumExpansionDimensions: 2048 KernelScale: 3.5043 Lambda: 1.2370e-04 BoxConstraint: 23.0320属性,方法据/P.re>
fitinfo =据span class="emphasis">结构体字段:据/E.m>求解器:'LBFGS-FAST'损耗功能:'铰链'Lambda:1.2370E-04 BetAtolerance:1.0000E-04 GradientialTolerance:1.0000E-06 GateViewValue:0.0426梯度射出:0.0028 RelativeChangeInbeta:8.9154E-05 Fittime:0.3753历史:[]据/P.re>
HyperParameterOptimizationResults =具有属性的贝叶斯optimization:ObjectiveFCN:@ createobjfcn / Inmemoryobjfcn Variabledsions:[1x1结构]选项:[1x1 struct] minobjective:0.0427 xatminobjective:0.0428 XatmineStimative:0.0428 XATMineStimative objective:[1x2] NumObjectiveEvaluations:30总螺旋液:69.4698 NextPoint:[1x2表] XTrace:[30x2表] ObjectiveTreace:[30x1 double] constraintstrace:[] UserDataTrace:{30x1 Cell} WateSealValiveTimetrace:[30x1 Double] iteationTimetrace:[30x1 double] errortrace:[30x1 double] feaselytrace:[30x1逻辑]FeasilyProbabilityTrace:[30x1 Double] IndexOfMImimumMimumImimumImimumImumImimumimumImimumIstTrace:[30x1 Double]估计objectiveminimumTrace:[30x1双]据/P.re>
对于大数据,优化过程可能需要很长时间。如果数据集太大,无法运行优化过程,可以尝试仅使用部分数据优化参数。使用据a href="//www.tatmou.com/help/stats/datasample.html" class="a">datasample据/code>功能并指定据code class="literal">'替换','false'据/code>抽样数据而不进行替换。据/P.>
X据/code>-据span itemprop="purpose">预测数据据/span>
数字矩阵据/span>
预测器数据,指定为据E.mclass="varname">N.据/E.m>——- - - - - -据E.mclass="varname">P.据/E.m>数字矩阵,据E.mclass="varname">N.据/E.m>观察的次数是多少据E.mclass="varname">P.据/E.m>是预测器的数量。据/P.>
长度据a href="#d123e859265" class="intrnllnk"> 数据类型:据/strong>y据/code>观察的次数据code class="argument">X据/code>必须是平等的。据/P.>
单身的据/code>|据code itemprop="datatype">双据/code>
y据/code>-据span itemprop="purpose">类标签据/span>
分类数组据/span>|据span itemprop="inputvalue">字符数组据/span>|据span itemprop="inputvalue">字符串数组据/span>|据span itemprop="inputvalue">逻辑向量据/span>|据span itemprop="inputvalue">数值向量据/span>|据span itemprop="inputvalue">字符向量的单元格数组据/span>
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。据/P.>
Fitconnelel.据/code>金宝app仅支持二进制分类。任何一个据code class="argument">y据/code>必须包含两个完全不同的类,或者必须使用据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-ClassNames" class="intrnllnk">
Classnames.据/code>名称-值对的论点。据/P.>
如果据code class="literal">y据/code>是一个字符数组,那么每个元素都必须对应于数组的一行。据/P.>
长度据code class="literal">y据/code>必须等于观测的次数据code class="literal">X据/code>或者据code class="literal">TBL.据/code>.据/P.>
方法指定类的顺序是一种好的实践据code class="argument">Classnames.据/code>名称-值对的论点。据/P.>
数据类型:据/strong>分类据/code>|据code itemprop="datatype">字符据/code>|据code itemprop="datatype">字符串据/code>|据code itemprop="datatype">逻辑据/code>|据code itemprop="datatype">单身的据/code>|据code itemprop="datatype">双据/code>|据code itemprop="datatype">细胞据/code>
TBL.据/code>-据span itemprop="purpose">样本数据据/span>
桌子据/span>
用于训练模型的样本数据,指定为表。每一行的据code class="literal">TBL.据/code>对应于一个观察,并且每列对应于一个预测变量。可选地,据code class="literal">TBL.据/code>可以包含响应变量的一个附加列。不允许使用除了字符向量的单元格阵列之外的多色变量和单元阵列。据/P.>
如果据code class="literal">TBL.据/code>包含响应变量,并且您希望使用中的所有剩余变量据code class="literal">TBL.据/code>作为预测器,然后使用据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-ResponseVarName" class="intrnllnk">ResponseVarName据/code>.据/P.>
如果据code class="literal">TBL.据/code>包含响应变量,并且您希望仅使用其中剩余变量的一个子集据code class="literal">TBL.据/code>作为预测器,然后通过使用指定公式据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-formula" class="intrnllnk">公式据/code>.据/P.>
如果据code class="literal">TBL.据/code>不包含响应变量,然后通过使用指定响应变量据a href="#d123e859265" class="intrnllnk">y据/code>.响应变量的长度和行的数据code class="literal">TBL.据/code>必须是平等的。据/P.>
数据类型:据/strong>桌子据/code>
ResponseVarName据/code>-据span itemprop="purpose">响应变量名据/span>
变量名称据code class="literal">TBL.据/code>
中的响应变量名,指定为变量名据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Tbl" class="intrnllnk"> 您必须指定据code class="literal">ResponseVarName据/code>作为字符向量或字符串标量。例如,如果响应变量据code class="literal">y据/code>存储为据code class="literal">资源描述。y据/code>,则指定为据code class="literal">'是'据/code>.否则,软件将对所有列进行处理据code class="literal">TBL.据/code>,包括据code class="literal">y据/code>,作为训练模型时的预测器。据/P.>
响应变量必须是分类,字符或字符串数组;逻辑或数字向量;或者字符向量的单元格数组。如果据code class="literal">y据/code>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。据/P.>
良好做法是使用使用的指定类的顺序据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-ClassNames" class="intrnllnk"> 数据类型:据/strong>TBL.据/code>.据/P.>
Classnames.据/code>名称-值参数。据/P.>
字符据/code>|据code itemprop="datatype">字符串据/code>
公式据/code>-据span itemprop="purpose">响应变量的解释模型和预测变量子集据/span>
特征向量据/span>|据span itemprop="inputvalue">字符串标量据/span>
解释模型的响应变量和预测变量的子集,指定为字符向量或字符串标量的形式据code class="literal">'y〜x1 + x2 + x3'据/code>.在这种形式,据code class="literal">y据/code>表示响应变量,和据code class="literal">X1据/code>那据code class="literal">X2据/code>, 和据code class="literal">X3据/code>代表预测变量。据/P.>
指定变量的子集据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Tbl" class="intrnllnk"> 公式中的变量名必须是其中的两个变量名据code class="argument">TBL.据/code>(据code class="literal">tbl.properties.variablenames.据/code>)和有效的matlab据sup>®据/sup>标识符。您可以验证变量名据code class="argument">TBL.据/code>通过使用据a href="//www.tatmou.com/help/matlab/ref/isvarname.html"> 数据类型:据/strong>TBL.据/code>作为训练模型的预测器,使用一个公式。如果你指定一个公式,那么软件不使用任何变量据code class="argument">TBL.据/code>没有出现在据code class="argument">公式据/code>.据/P.>
isvarname.据/code>函数。如果变量名无效,则可以使用据a href="//www.tatmou.com/help/matlab/ref/matlab.lang.makevalidname.html">
matlab.lang.makevalidname.据/code>函数。据/P.>
字符据/code>|据code itemprop="datatype">字符串据/code>
请注意据/strong>
软件对待据code class="literal">南据/code>,空字符向量(据code class="literal">''据/code>),空字符串(据code class="literal">""据/code>),据code class="literal"><缺失>据/code>, 和据code class="literal"><定义>据/code>元件与任何的这些特征缺失值和删除意见:据/P.>
在响应变量缺失值据/P.>
在预测观察至少一个缺少的值(行据code class="argument">X据/code>或者据code class="argument">TBL.据/code>)据/P.>
南据/code>值或据code class="literal">0.据/code>体重(据code class="argument">“重量”据/code>)据/P.>
指定可选的逗号分离对据code class="argument">名称,值据/code>参数。据code class="literal">姓名据/code>是参数名称和据code class="literal">价值据/code>是相应的价值。据code class="literal">姓名据/code>必须出现在引号内。您可以以任何顺序指定多个名称和值对参数据code class="literal">name1,value1,...,namen,valuen据/code>.据/P.>
例子:据/strong>Mdl = fitckernel (X, Y,“学习者”,“物流”,“NumExpansionDimensions”、2 ^ 15,“KernelScale”、“汽车”)据/code>将预测器数据映射到映射到的情况后实现逻辑回归据code class="literal">2 ^ 15据/code>用启发式方法选择核尺度参数进行特征扩展的维空间。据/span>
请注意据/strong>
的参数不能同时使用任何交叉验证的名称-值对参数据code class="literal">'OptimizeHyperParameters'据/code>名称-值对的论点。您可以修改交叉验证据code class="argument">'OptimizeHyperParameters'据/code>只有使用据code class="argument">'hyperparameteroptimizationoptions'据/code>名称-值对的论点。据/P.>
“学习者”据/code>-据span itemprop="purpose">线性分类模型类型据/span>
“支持向量机”据/code>
(默认)|据span itemprop="inputvalue">“物流”据/code>
线性分类模型类型,指定为逗号分隔对组成据code class="literal">“学习者”据/code>和据code class="literal">“支持向量机”据/code>或者据code class="literal">“物流”据/code>.据/P.>
在下表中,据span class="inlineequation">
X据/E.m>是从观察(行矢量)据E.mclass="varname">P.据/E.m>预测变量。据/P.>
是用于特征扩展的观察(行向量)的转换。据span class="inlineequation">T.据/E.m>(据E.mclass="varname">X据/E.m>)据/span>地图据E.mclass="varname">X据/E.m>在据span class="inlineequation"> 到一个高维空间(据span class="inlineequation"> )。据/P.>
β据/E.m>是一个矢量据E.mclass="varname">m据/E.m>系数。据/P.>
B.据/E.m>为标量偏差。据/P.>
价值据/T.h> | 算法据/T.h> | 响应范围据/T.h> | 损失函数据/T.h> |
---|---|---|---|
“支持向量机”据/code> |
金宝app支持矢量机器据/T.d> | y据/E.m>ε{-1,1};1为正类和-1否则据/T.d>
合页:据span class="inlineequation">
|
|
“物流”据/code> |
物流回归据/T.d> | 与...一样据code class="literal">“支持向量机”据/code> | 异常(物流):据span class="inlineequation"> |
例子:据/strong>“学习者”,“物流”据/code>
“NumExpansionDimensions”据/code>-据span itemprop="purpose">扩大空间的维数据/span>
'汽车'据/code>
(默认)|据span itemprop="inputvalue">正整数据/span>
膨胀空间的维数,指定为逗号分隔的一对组成的据code class="literal">“NumExpansionDimensions”据/code>和据code class="literal">'汽车'据/code>或者一个正整数。为据code class="literal">'汽车'据/code>,据code class="function">Fitconnelel.据/code>功能选择尺寸数使用据code class="literal">2 . ^装天花板(最低(log2 (p) + 5、15))据/code>,在那里据code class="literal">P.据/code>是预测器的数量。据/P.>
有关详细信息,请参阅据a href="//www.tatmou.com/help/stats/fitckernel.html" class="intrnllnk">随机特征扩展据/a>.据/P.>
例子:据/strong>“NumExpansionDimensions”、2 ^ 15据/code>
数据类型:据/strong>字符据/code>|据code itemprop="datatype">字符串据/code>|据code itemprop="datatype">单身的据/code>|据code itemprop="datatype">双据/code>
“KernelScale”据/code>-据span itemprop="purpose">内核尺度参数据/span>
1据/code>
(默认)|据span itemprop="inputvalue">'汽车'据/code>
|据span itemprop="inputvalue">积极的标量据/span>
内核尺度参数,指定为逗号分隔对组成据code class="literal">“KernelScale”据/code>和据code class="literal">'汽车'据/code>或正标量。该软件利用核尺度参数获得随机功能扩展随机进行。有关详细信息,请参阅据a href="//www.tatmou.com/help/stats/fitckernel.html" class="intrnllnk">随机特征扩展据/a>.据/P.>
如果您指定据code class="literal">'汽车'据/code>,那么软件选择使用启发式算法的适当的内核尺度参数。这种启发式过程使用二次抽样,所以估计可以从一个电话而异。因此,为了再现的结果,通过使用设定的随机数种子据a href="//www.tatmou.com/help/matlab/ref/rng.html"> 例子:据/strong> 数据类型:据/strong>rng据/code>前培训。据/P.>
“KernelScale”、“汽车”据/code>
字符据/code>|据code itemprop="datatype">字符串据/code>|据code itemprop="datatype">单身的据/code>|据code itemprop="datatype">双据/code>
“BoxConstraint”据/code>-据span itemprop="purpose">盒子约束据/span>
1据/span>(默认)|据span itemprop="inputvalue">积极的标量据/span>
框约束,指定为逗号分隔的配对组成据code class="literal">“BoxConstraint”据/code>一个正标量。据/P.>
此参数仅在以下情况下有效据code class="literal">“学习者”据/code>是据code class="literal">“支持向量机”据/code>(默认值),并且不指定正则化项强度的值据code class="literal">'lambda'据/code>.你可以指定据code class="literal">“BoxConstraint”据/code>或者据code class="literal">'lambda'据/code>由于箱约束(据E.mclass="varname">C据/E.m>)和正规化期限力量(据E.mclass="varname">λ据/E.m>)与…有关据span class="inlineequation">C据/E.m>= 1 /(据E.mclass="varname">λ据/E.m>N.据/E.m>)据/span>,在那里据E.mclass="varname">N.据/E.m>为观察次数。据/P.>
例子:据/strong> 数据类型:据/strong>'boxconstraint',100据/code>
单身的据/code>|据code itemprop="datatype">双据/code>
'lambda'据/code>-据span itemprop="purpose">正则化项的力量据/span>
'汽车'据/code>
(默认)|据span itemprop="inputvalue">非负标量据/span>
正则化项强度,指定为逗号分隔对组成据code class="literal">'lambda'据/code>和据code class="literal">'汽车'据/code>或者一个非负标量。据/P.>
为据code class="literal">'汽车'据/code>, 的价值据code class="literal">'lambda'据/code>是1 /据E.mclass="varname">N.据/E.m>,在那里据E.mclass="varname">N.据/E.m>为观察次数。据/P.>
你可以指定据code class="literal">“BoxConstraint”据/code>或者据code class="literal">'lambda'据/code>由于箱约束(据E.mclass="varname">C据/E.m>)和正规化期限力量(据E.mclass="varname">λ据/E.m>)与…有关据span class="inlineequation">C据/E.m>= 1 /(据E.mclass="varname">λ据/E.m>N.据/E.m>)据/span>.据/P.>
例子:据/strong> 数据类型:据/strong>'lambda',0.01据/code>
字符据/code>|据code itemprop="datatype">字符串据/code>|据code itemprop="datatype">单身的据/code>|据code itemprop="datatype">双据/code>
'横向'据/code>-据span itemprop="purpose">旗帜培训交叉验证的分类器据/span>
“关闭”据/code>
(默认)|据span itemprop="inputvalue">'在'据/code>
标志要培训交叉验证的分类器,指定为逗号分隔对据code class="literal">“Crossval”据/code>和据code class="literal">'在'据/code>或者据code class="literal">“关闭”据/code>.据/P.>
如果您指定据code class="literal">'在'据/code>,然后该软件训练10倍交叉验证分类器。据/P.>
您可以使用覆盖此交叉验证设置据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-CVPartition" class="intrnllnk"> 例子:据/strong>CVPartition据/code>那据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Holdout" class="intrnllnk">
坚持据/code>那据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-KFold" class="intrnllnk">
kfold.据/code>, 或者据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Leaveout" class="intrnllnk">
忽略据/code>名称-值对的论点。一次只能使用一个交叉验证的名称-值对参数来创建交叉验证的模型。据/P.>
“Crossval”,“上”据/code>
“CVPartition”据/code>-据span itemprop="purpose">交叉验证分区据/span>
[]据/code>
(默认)|据span itemprop="inputvalue">CVPartition.据/code>分区对象据/span>
交叉验证分区,指定为a据code class="literal">CVPartition.据/code>分区对象由据a href="//www.tatmou.com/help/stats/cvpartition.html"> 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:据code class="argument">CVPartition据/code>那据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Holdout" class="intrnllnk"> 例子:据/strong>假设您使用使用的500个观察中的5倍交叉验证的随机分区据code class="literal">CVP = CVPARTING(500,'KFOLD',5)据/code>.然后,您可以使用据code class="literal">'CVPartition',CVP据/code>.据/P.>
CVPartition.据/code>.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。据/P.>
坚持据/code>那据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-KFold" class="intrnllnk">
kfold.据/code>, 或者据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Leaveout" class="intrnllnk">
忽略据/code>.据/P.>
'坚持'据/code>-据span itemprop="purpose">用于抵抗验证的数据部分据/span>
标量值范围(0,1)据/span>
用于阻止验证的数据的分数,指定为范围(0,1)的标量值。如果您指定据code class="literal">‘坚持’,p据/code>,然后软件完成以下步骤:据/P.>
随机选择和保留据code class="literal">p * 100据/code>数据的百分比作为验证数据,并使用其余数据训练模型。据/P.>
存储紧凑型培训的模型据code class="literal">熟练据/code>交叉验证模型的性质。据/P.>
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:据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-CVPartition" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>CVPartition据/code>那据code class="argument">坚持据/code>那据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-KFold" class="intrnllnk">
kfold.据/code>, 或者据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Leaveout" class="intrnllnk">
忽略据/code>.据/P.>
'不吸墨性',0.1据/code>
双据/code>|据code itemprop="datatype">单身的据/code>
“KFold”据/code>-据span itemprop="purpose">数量的折叠据/span>
10.据/code>
(默认)|据span itemprop="inputvalue">正整数值大于1据/span>
在交叉验证模型中使用的折叠数,指定为大于1.如果指定的正整数值。据code class="literal">KFold, k据/code>,然后软件完成以下步骤:据/P.>
将数据随机划分为据code class="literal">K.据/code>集。据/P.>
对于每个设置,保留设置为验证数据,并使用其他培训模型据span class="inlineequation">K.据/code>- 1据/span>集。据/P.>
储存据code class="literal">K.据/code>紧凑,训练模型在据code class="literal">K.据/code>-by-1细胞载体据code class="literal">熟练据/code>交叉验证模型的性质。据/P.>
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:据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-CVPartition" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>CVPartition据/code>那据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Holdout" class="intrnllnk">
坚持据/code>那据code class="argument">kfold.据/code>, 或者据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Leaveout" class="intrnllnk">
忽略据/code>.据/P.>
“KFold”,5据/code>
单身的据/code>|据code itemprop="datatype">双据/code>
'忽略'据/code>-据span itemprop="purpose">分析交叉验证标志据/span>
“关闭”据/code>
(默认)|据span itemprop="inputvalue">'在'据/code>
留下一张交叉验证标志,指定为逗号分隔的配对组成据code class="literal">'忽略'据/code>和据code class="literal">'在'据/code>或者据code class="literal">“关闭”据/code>.如果您指定据code class="literal">'Leaveout', '上'据/code>那么,每个人据E.mclass="varname">N.据/E.m>观察(据E.mclass="varname">N.据/E.m>为排除缺失观察)观测次数,软件完成以下步骤:据/P.>
保留观察作为验证数据,并使用另一个培训模型据E.mclass="varname">N.据/E.m>- 1的观察。据/P.>
储存据E.mclass="varname">N.据/E.m>紧凑,训练有素的模型在细胞据E.mclass="varname">N.据/E.m>-by-1细胞载体据code class="literal">熟练据/code>交叉验证模型的性质。据/P.>
要创建一个交叉验证的模型,您只能使用以下四个名称-值对参数之一:据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-CVPartition" class="intrnllnk"> 例子:据/strong>CVPartition据/code>那据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Holdout" class="intrnllnk">
坚持据/code>那据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-KFold" class="intrnllnk">
kfold.据/code>, 或者据code class="argument">忽略据/code>.据/P.>
'Leaveout', '上'据/code>
“BetaTolerance”据/code>-据span itemprop="purpose">线性系数和偏差项的相对公差据/span>
1 e-5据/code>
(默认)|据span itemprop="inputvalue">非负标量据/span>
相对公差对线性系数和偏差项(截距),指定为逗号分隔对组成据code class="literal">“BetaTolerance”据/code>一个非负标量。据/P.>
让据span class="inlineequation"> ,即优化迭代时系数和偏差项的向量据E.mclass="varname">T.据/E.m>.如果据span class="inlineequation"> ,然后优化终止。据/P.>
如果你也指定据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-GradientTolerance" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>梯度特拉据/code>然后,当软件满足停止标准时,优化终止。据/P.>
e-6 BetaTolerance, 1据/code>
单身的据/code>|据code itemprop="datatype">双据/code>
'gradienttolerance'据/code>-据span itemprop="purpose">绝对梯度容差据/span>
1 e-6据/code>
(默认)|据span itemprop="inputvalue">非负标量据/span>
绝对梯度容差,指定为逗号分隔的配对组成据code class="literal">'gradienttolerance'据/code>一个非负标量。据/P.>
让据span class="inlineequation"> 为优化迭代时目标函数相对于系数和偏差项的梯度向量据E.mclass="varname">T.据/E.m>.如果据span class="inlineequation"> ,然后优化终止。据/P.>
如果你也指定据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-BetaTolerance" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>BetaTolerance据/code>然后,当软件满足停止标准时,优化终止。据/P.>
e-5 GradientTolerance, 1据/code>
单身的据/code>|据code itemprop="datatype">双据/code>
'iterationlimit'据/code>-据span itemprop="purpose">最大优化迭代次数据/span>
正整数据/span>
优化的迭代的最大次数,指定为逗号分隔的一对组成的据code class="literal">'iterationlimit'据/code>一个正整数。据/P.>
如果转换的数据适合内存,则默认值为1000,如下所示据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-BlockSize" class="intrnllnk"> 例子:据/strong> 数据类型:据/strong>BlockSize据/code>名称-值对的论点。否则,默认值是100。据/P.>
'iterationlimit',500据/code>
单身的据/code>|据code itemprop="datatype">双据/code>
“BlockSize”据/code>-据span itemprop="purpose">分配的最大内存量据/span>
4 e ^ 3据/code>(4GB)据/span>(默认)|据span itemprop="inputvalue">积极的标量据/span>
分配的最大内存量(以兆字节为单位),指定为逗号分隔的对,由据code class="literal">“BlockSize”据/code>一个正标量。据/P.>
如果据code class="function">Fitconnelel.据/code>需要比值更多的内存据code class="literal">“BlockSize”据/code>要持有转换的预测器数据,则软件使用块明智的策略。有关块明智策略的详细信息,请参阅据a href="//www.tatmou.com/help/stats/fitckernel.html" class="intrnllnk">算法据/a>.据/P.>
例子:据/strong>'blocksize',1e4据/code>
数据类型:据/strong>单身的据/code>|据code itemprop="datatype">双据/code>
'RandomStream'据/code>-据span itemprop="purpose">随机数流据/span>
全球流据/span>(默认)|据span itemprop="inputvalue">随机流对象据/span>
用于再现数据转换的随机数流,指定为逗号分隔对组成据code class="literal">'RandomStream'据/code>和一个随机的流对象。有关详细信息,请参阅据a href="//www.tatmou.com/help/stats/fitckernel.html" class="intrnllnk">随机特征扩展据/a>.据/P.>
使用据code class="literal">'RandomStream'据/code>再现随机基函数据code class="function">Fitconnelel.据/code>用于将预测器数据转换为高维空间。有关详细信息,请参阅据a href="//www.tatmou.com/help/matlab/math/managing-the-global-stream.html" class="a">使用RandStream管理全局流据/a>和据a href="//www.tatmou.com/help/matlab/math/creating-and-controlling-a-random-number-stream.html" class="a">创建和控制一个随机数流据/a>.据/P.>
例子:据/strong>'Orcewstream',RandStream('MLFG6331_64')据/code>
“HessianHistorySize”据/code>-据span itemprop="purpose">用于Hessian近似的历史缓冲区的大小据/span>
15.据/code>
(默认)|据span itemprop="inputvalue">正整数据/span>
用于Hessian近似的历史缓冲区的大小,指定为逗号分隔对组成据code class="literal">“HessianHistorySize”据/code>一个正整数。在每一次迭代,据code class="function">Fitconnelel.据/code>通过使用最新的统计数据来组成Hessian近似据code class="literal">HessianHistorySize据/code>迭代。据/P.>
例子:据/strong>“HessianHistorySize”,10据/code>
数据类型:据/strong>单身的据/code>|据code itemprop="datatype">双据/code>
'verbose'据/code>-据span itemprop="purpose">冗长的水平据/span>
0.据/code>
(默认)|据span itemprop="inputvalue">1据/code>
详细级别,指定为逗号分隔的一对组成的据code class="literal">'verbose'据/code>,要么据code class="literal">0.据/code>或者据code class="literal">1据/code>.据code class="literal">详细的据/code>在命令行中控制诊断信息的显示。据/P.>
价值据/T.h> | 描述据/T.h> |
---|---|
0.据/code> |
Fitconnelel.据/code>不显示诊断信息。据/T.d>
|
1据/code> |
Fitconnelel.据/code>显示和存储目标函数的值、梯度大小和其他诊断信息。据code class="literal">FitInfo。历史据/code>包含诊断信息。据/T.d>
|
例子:据/strong>“详细”,1据/code>
数据类型:据/strong>单身的据/code>|据code itemprop="datatype">双据/code>
'pationoricalpricictors'据/code>-据span itemprop="purpose">分类预测列表据/span>
正整数矢量据/span>|据span itemprop="inputvalue">逻辑向量据/span>|据span itemprop="inputvalue">字符矩阵据/span>|据span itemprop="inputvalue">字符串数组据/span>|据span itemprop="inputvalue">字符向量的单元格数组据/span>|据span itemprop="inputvalue">'全部'据/code>
分类预测器列表,指定为此表中的值之一。据/P.>
价值据/T.h> | 描述据/T.h> |
---|---|
正整数向量据/T.d> | 向量中的每个条目都是对应于包含分类变量的预测器数据列的索引值。索引值在1到之间据code class="literal">P.据/code>,在那里据code class="literal">P.据/code>是用于训练模型的预测器数量。据/P.> 如果据code class="function">Fitconnelel.据/code>使用输入变量的子集作为预测器,然后函数仅使用该子集对预测器进行索引。这据code class="argument">'pationoricalpricictors'据/code>值不计算响应变量、观察权重变量和函数未使用的任何其他变量。据/P.> |
逻辑矢量据/T.d> | 一种据code class="literal">真的据/code>条目表示预测数据的对应的列是一个分类变量。该矢量的长度是据code class="literal">P.据/code>.据/P.> |
字符矩阵据/T.d> | 所述矩阵的每一行是一个预测变量的名称。名称必须与里面的条目相匹配据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-PredictorNames" class="intrnllnk">预测据/code>.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。据/T.d>
|
字符向量的字符串数组或单元格数组据/T.d> | 数组中的每个元素都是一个预测变量的名称。名称必须与里面的条目相匹配据code class="argument">预测据/code>.据/T.d> |
'全部'据/code> |
所有预测因素都是分类的。据/T.d> |
默认情况下,如果预测器数据在表中(据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Tbl" class="intrnllnk"> 对于已识别的分类预测因子,据code class="function">Fitconnelel.据/code>根据分类变量是无序的还是有序的,使用两种不同的方案创建虚拟变量。对于无序分类变量,据code class="function">Fitconnelel.据/code>为分类变量的每一级创建一个虚拟变量。对于有序分类变量,据code class="function">Fitconnelel.据/code>创建的虚拟变量比类别数量少一个。有关详细信息,请参阅据a href="//www.tatmou.com/help/stats/dummy-indicator-variables.html" class="a">虚拟变量的自动创建据/a>.据/P.>
例子:据/strong> 数据类型:据/strong>TBL.据/code>),据code class="function">Fitconnelel.据/code>假定一个变量是分类,如果它是一个逻辑向量,分类矢量,字符数组,字符串数组,或字符向量的单元阵列。如果预测数据是矩阵(据a href="#d123e859225" class="intrnllnk">
X据/code>),据code class="function">Fitconnelel.据/code>假设所有预测器都是连续的。要将任何其他预测器标识为分类预测器,请使用据code class="literal">'pationoricalpricictors'据/code>名称-值参数。据/P.>
'patericalpricictors','全部'据/code>
单身的据/code>|据code itemprop="datatype">双据/code>|据code itemprop="datatype">逻辑据/code>|据code itemprop="datatype">字符据/code>|据code itemprop="datatype">字符串据/code>|据code itemprop="datatype">细胞据/code>
'classnames'据/code>-据span itemprop="purpose">用于培训的类名据/span>
分类数组据/span>|据span itemprop="inputvalue">字符数组据/span>|据span itemprop="inputvalue">字符串数组据/span>|据span itemprop="inputvalue">逻辑向量据/span>|据span itemprop="inputvalue">数值向量据/span>|据span itemprop="inputvalue">字符向量的单元格数组据/span>
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。据code class="literal">Classnames.据/code>必须具有与响应变量相同的数据类型据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Tbl" class="intrnllnk"> 如果据code class="literal">Classnames.据/code>是一个字符数组,那么每个元素都必须对应于数组的一行。据/P.>
使用据code class="literal">Classnames.据/code>:据/P.>
在培训期间指定类的顺序。据/P.> 指定与类顺序对应的任何输入或输出参数尺寸的顺序。例如,使用据code class="literal">Classnames.据/code>指定尺寸的顺序据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Cost" class="intrnllnk"> 选择的课程培训的一个子集。例如,假设集所有不同类名的据code class="argument">y据/code>是据code class="literal">{' a ', ' b ', ' c '}据/code>.使用来自类的观察来训练模型据code class="literal">'一种'据/code>和据code class="literal">'C'据/code>只是,指定据code class="literal">'classnames',{'a','c'}据/code>.据/P.> 的默认值据code class="literal">Classnames.据/code>是响应变量中的所有不同类名的集合据code class="argument">TBL.据/code>或者据code class="argument">y据/code>.据/P.>
例子:据/strong> 数据类型:据/strong>TBL.据/code>或者据a href="#d123e859265" class="intrnllnk">
y据/code>.据/P.>
成本据/code>或返回的分类分数的列顺序据code class="literal">预测据/code>.据/P.>
'classnames',{'b','g'}据/code>
分类据/code>|据code itemprop="datatype">字符据/code>|据code itemprop="datatype">字符串据/code>|据code itemprop="datatype">逻辑据/code>|据code itemprop="datatype">单身的据/code>|据code itemprop="datatype">双据/code>|据code itemprop="datatype">细胞据/code>
“成本”据/code>-据span itemprop="purpose">误分类代价据/span>
方阵据/span>|据span itemprop="inputvalue">结构阵列据/span>
误分类代价,指定为逗号分隔对组成据code class="literal">“成本”据/code>方阵或方阵结构。据/P.>
如果你指定了方阵据code class="literal">成本据/code>(据code class="literal">“成本”,成本据/code>),然后据code class="literal">成本(i,j)据/code>是将一个点分类为课程的成本据code class="literal">j据/code>如果它的真实课程是据code class="literal">一世据/code>.也就是说,行对应于真正的类,列对应于预测的类。的相应行和列的类顺序据code class="literal">成本据/code>, 使用据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-ClassNames" class="intrnllnk">Classnames.据/code>名称-值对的论点。据/P.>
如果你指定了结构据code class="literal">S.据/code>(据code class="literal">“成本”据/code>),那么它必须有两个字段:据/P.>
S.Classnames.据/code>,它将类名包含为与类相同数据类型的变量据a href="#d123e859265" class="intrnllnk">
y据/code>
S.ClassificationCosts据/code>,其中包含行和列按顺序排列的代价矩阵据code class="literal">S.Classnames.据/code>
的默认值据code class="literal">成本据/code>是据code class="literal">那些(据E.mclass="replaceable"> 例子:据/strong> 数据类型:据/strong>K.据/code>) - (据E.mclass="replaceable">
K.据/code>)据/code>,在那里据E.mclass="replaceable">
K.据/code>为不同类别的数量。据/P.>
Fitconnelel.据/code>使用据code class="literal">成本据/code>调整指定的先前类概率据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Prior" class="intrnllnk">
事先的据/code>.然后,据code class="function">Fitconnelel.据/code>使用调整后的先前概率进行训练,并将成本矩阵重置为其默认值。据/P.>
“成本”,[0 2;1 0]据/code>
单身的据/code>|据code itemprop="datatype">双据/code>|据code itemprop="datatype">结构体据/code>
“PredictorNames”据/code>-据span itemprop="purpose">预测变量的名字据/span>
字符串数组的唯一名称据/span>|据span itemprop="inputvalue">独特字符向量的单元阵列据/span>
预测器变量名称,指定为唯一字符向量的唯一名称或单元格数组的字符串数组。功能的功能据code class="literal">预测据/code>取决于您提供培训数据的方式。据/P.>
如果你提供据a href="#d123e859225" class="intrnllnk"> 名字的顺序据code class="literal">预测据/code>必须对应于列序据code class="literal">X据/code>.也就是说,据code class="literal">PredictorNames {1}据/code>是名称据code class="literal">X (: 1)据/code>那据code class="literal">PredictorNames {2}据/code>是名称据code class="literal">X (:, 2)据/code>,等等。还,据code class="literal">大小(X, 2)据/code>和据code class="literal">numel(预测的人)据/code>必须是平等的。据/P.> 默认情况下,据code class="literal">预测据/code>是据code class="literal">{'x1','x2',...}据/code>.据/P.>X据/code>和据a href="#d123e859265" class="intrnllnk">
y据/code>,然后你可以使用据code class="literal">预测据/code>将名称分配给Predictor变量据code class="literal">X据/code>.据/P.>
如果你提供据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Tbl" class="intrnllnk"> 默认情况下,据code class="literal">预测据/code>包含所有预测变量的名称。据/P.> 一个好的实践是指定使用这两种方法进行训练的预测器据code class="literal">“PredictorNames”据/code>或者据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-formula" class="intrnllnk">TBL.据/code>,然后你可以使用据code class="literal">预测据/code>选择用于培训的预测变量。也就是说,据code class="function">Fitconnelel.据/code>仅使用中的预测变量据code class="literal">预测据/code>和训练期间的响应变量。据/P.>
预测据/code>必须是一个子集据code class="literal">tbl.properties.variablenames.据/code>并且不能包含响应变量的名称。据/P.>
公式据/code>,但不是两者。据/P.>
例子:据/strong>'predictornames',{sepallength','sepalwidth','petallength','petalwidth'}据/code>
数据类型:据/strong>字符串据/code>|据code itemprop="datatype">细胞据/code>
'事先的'据/code>-据span itemprop="purpose">先验概率据/span>
“经验”据/code>
(默认)|据span itemprop="inputvalue">“统一”据/code>
|据span itemprop="inputvalue">数值向量据/span>|据span itemprop="inputvalue">结构阵列据/span>
每个类的先验概率,指定为逗号分隔对,由据code class="literal">'事先的'据/code>和据code class="literal">“经验”据/code>那据code class="literal">“统一”据/code>,数字矢量或结构阵列。据/P.>
此表总结了设置现有概率的可用选项。据/P.>
价值据/T.h> | 描述据/T.h> |
---|---|
“经验”据/code> |
课程的现有概率是类相对频率据a href="#d123e859265" class="intrnllnk">y据/code>.据/T.d>
|
“统一”据/code> |
所有类的先前概率等于1 /据E.mclass="replaceable">K.据/code>,在那里据E.mclass="replaceable"> |
数值向量据/T.d> | 每个元素都是现有概率的类。根据他们的订单订购元素据code class="argument">y据/code>.如果您使用据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-ClassNames" class="intrnllnk">'classnames'据/code>名称值对参数,然后相应地订购元素。据/T.d>
|
结构阵列据/T.d> | 一个结构据code class="literal">S.据/code>有两个领域:据/P.>
|
例子:据/strong> 数据类型:据/strong>Fitconnelel.据/code>正常化现有概率据code class="literal">事先的据/code>求和为1。据/P.>
“之前”,结构(“类名”,{{“setosa”、“癣”}},ClassProbs, 1:2)据/code>
字符据/code>|据code itemprop="datatype">字符串据/code>|据code itemprop="datatype">双据/code>|据code itemprop="datatype">单身的据/code>|据code itemprop="datatype">结构体据/code>
“ResponseName”据/code>-据span itemprop="purpose">响应变量名据/span>
'是'据/code>
(默认)|据span itemprop="inputvalue">特征向量据/span>|据span itemprop="inputvalue">字符串标量据/span>
响应变量名,指定为字符向量或字符串标量。据/P.>
如果你提供据a href="#d123e859265" class="intrnllnk">y据/code>,然后你可以使用据code class="literal">“ResponseName”据/code>为响应变量指定名称。据/P.>
如果你提供据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-ResponseVarName" class="intrnllnk">ResponseVarName据/code>或者据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-formula" class="intrnllnk">
公式据/code>,那么你就不能使用据code class="literal">“ResponseName”据/code>.据/P.>
例子:据/strong>“ResponseName”、“响应”据/code>
数据类型:据/strong>字符据/code>|据code itemprop="datatype">字符串据/code>
'scoretransform'据/code>-据span itemprop="purpose">分数转换据/span>
“没有”据/code>
(默认)|据span itemprop="inputvalue">“doublelogit”据/code>
|据span itemprop="inputvalue">“invlogit”据/code>
|据span itemprop="inputvalue">'ismax'据/code>|据span itemprop="inputvalue">'logit'据/code>|据span itemprop="inputvalue">功能手柄据/span>|...据/span>
得分变换,指定为字符矢量,标量的字符串,或功能句柄。据/P.>
该表总结了可用的字符向量和字符串标量。据/P.>
价值据/T.h> | 描述据/T.h> |
---|---|
“doublelogit”据/code> |
1 /(1 +据E.mclass="varname">E.据/E.m>2据E.mclass="varname">X据/E.m>)据/T.d> |
“invlogit”据/code> |
日志(据E.mclass="varname">X据/E.m>/ (1 -据E.mclass="varname">X据/E.m>)))据/T.d> |
'ismax'据/code> |
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0据/T.d> |
'logit'据/code> |
1 /(1 +据E.mclass="varname">E.据/E.m>-据E.mclass="varname">X据/E.m>)据/T.d> |
“没有”据/code>或者据code class="literal">'身份'据/code> |
X据/E.m>(转换)据/T.d> |
“标志”据/code> |
1据E.mclass="varname">X据/E.m><0据B.r>为0据E.mclass="varname">X据/E.m>= 0据B.r>1据E.mclass="varname">X据/E.m>> 0.据/T.d> |
“对称”据/code> |
2据E.mclass="varname">X据/E.m>- 1据/T.d> |
“symmetricismax”据/code> |
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-1据/T.d> |
“symmetriclogit”据/code> |
2 /(1 +据E.mclass="varname">E.据/E.m>-据E.mclass="varname">X据/E.m>) - 1据/T.d> |
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)。据/P.>
例子:据/strong>“ScoreTransform”、“分对数的据/code>
数据类型:据/strong>字符据/code>|据code itemprop="datatype">字符串据/code>|据code itemprop="datatype">function_handle.据/code>
“重量”据/code>-据span itemprop="purpose">观察权重据/span>
非负数字矢量据/span>|据span itemprop="inputvalue">变量名称据code class="literal">TBL.据/code>
观察权重,指定为非负数字矢量或变量的名称据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Tbl" class="intrnllnk"> 如果将输入数据指定为表据code class="argument">TBL.据/code>,然后据code class="argument">重量据/code>可以是变量的名称据code class="argument">TBL.据/code>它包含一个数字向量。在这种情况下,您必须指定据code class="argument">重量据/code>作为字符向量或字符串标量。例如,如果权重向量据code class="literal">W.据/code>存储为据code class="literal">资源描述。W.据/code>,则指定为据code class="literal">'W'据/code>.否则,软件将对所有列进行处理据code class="argument">TBL.据/code>,包括据code class="literal">W.据/code>,作为预测或训练模型时响应变量。据/P.>
默认情况下,据code class="argument">重量据/code>是据code class="literal">那些(n,1)据/code>,在那里据code class="literal">N.据/code>观察的次数在吗据code class="argument">X据/code>或者据code class="argument">TBL.据/code>.据/P.>
该软件可实现据code class="argument">重量据/code>总和在相应类中的现有概率的值。据/P.>
数据类型:据/strong>TBL.据/code>.每个观察的软件重量据a href="#d123e859225" class="intrnllnk">
X据/code>或者据code class="argument">TBL.据/code>对应的值在据code class="argument">重量据/code>.长度据code class="argument">重量据/code>必须等于观测的次数据code class="argument">X据/code>或者据code class="argument">TBL.据/code>.据/P.>
单身的据/code>|据code itemprop="datatype">双据/code>|据code itemprop="datatype">字符据/code>|据code itemprop="datatype">字符串据/code>
'OptimizeHyperParameters'据/code>-据span itemprop="purpose">优化的参数据/span>
“没有”据/code>
(默认)|据span itemprop="inputvalue">'汽车'据/code>
|据span itemprop="inputvalue">'全部'据/code>
|据span itemprop="inputvalue">符号数组或符合条件参数名称的单元数组据/span>|据span itemprop="inputvalue">向量的据code class="literal">优化的不变性据/code>对象据/span>
要优化的参数,指定为逗号分隔的对据code class="literal">'OptimizeHyperParameters'据/code>和其中一个值:据/P.>
“没有”据/code>-不要优化。据/P.>
'汽车'据/code>——使用据code class="literal">{“KernelScale”、“λ”}据/code>.据/P.>
'全部'据/code>-优化所有符合条件的参数。据/P.>
合格参数名称的单元格数组。据/P.>
向量的据code class="literal">优化的不变性据/code>对象的输出据a href="//www.tatmou.com/help/stats/hyperparameters.html">普遍存在据/code>.据/P.>
优化尝试最小化交叉验证丢失(错误)据code class="function">Fitconnelel.据/code>通过改变参数。为了控制交叉验证类型和优化等方面,使用据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-HyperparameterOptimizationOptions" class="intrnllnk"> 请注意据/strong> 符合条件的参数据code class="function">Fitconnelel.据/code>是:据/P.>
通过传递的向量来设置非默认参数据code class="literal">优化的不变性据/code>具有非默认值的对象。例如:据/P.>
经过据code class="literal">参数据/code>作为价值据code class="literal">'OptimizeHyperParameters'据/code>.据/P.>
默认情况下,迭代显示将显示在命令行中,并且根据优化中的超参数数量出现曲线。对于优化和图,目标函数是据span class="inlineequation">Log(1 +交叉验证损失)据/span>回归和分类的错误分类率。要控制迭代显示,请设置据code class="literal">详细的据/code>场面的领域据code class="argument">'hyperparameteroptimizationoptions'据/code>名称-值对的论点。要控制图,请设置据code class="literal">Showplots.据/code>场面的领域据code class="argument">'hyperparameteroptimizationoptions'据/code>名称-值对的论点。据/P.>
例如,请参见据a href="//www.tatmou.com/help/stats/fitckernel.html" class="intrnllnk">内核优化分类器据/a>.据/P.>
例子:据/strong>HyperparameterOptimizationOptions据/code>名称-值对的论点。据/P.>
'OptimizeHyperParameters'据/code>值覆盖使用其他名称值对参数设置的任何值。例如,设置据code class="literal">'OptimizeHyperParameters'据/code>到据code class="literal">'汽车'据/code>导致据code class="literal">'汽车'据/code>值应用。据/P.>
KernelScale据/code>
-据code class="function">Fitconnelel.据/code>在正值中搜索,默认在范围内按对数缩放据code class="literal">(1 e - 3, 1 e3)据/code>.据/P.>λ据/code>
-据code class="function">Fitconnelel.据/code>在正值中搜索,默认在范围内按对数缩放据code class="literal">[1E-3,1E3] / n据/code>,在那里据code class="literal">N.据/code>为观察次数。据/P.>学习者据/code>
-据code class="function">Fitconnelel.据/code>搜索据code class="literal">“支持向量机”据/code>和据code class="literal">“物流”据/code>.据/P.>numexpansiondimensions.据/code>
-据code class="function">Fitconnelel.据/code>在正整数中搜索,默认在范围内按对数缩放据code class="literal">(100、10000)据/code>.据/P.>加载据span style="color:#A020F0">fisheriris据/span>params = hyperparameters (据span style="color:#A020F0">“fitckernel”据/span>量,物种);参数(2)。范围=(1的军医,1 e6);据/P.re>
'OptimizeHyperParameters','auto'据/code>
'hyperparameteroptimizationoptions'据/code>-据span itemprop="purpose">选择优化据/span>
结构体据/span>
优化选项,指定为逗号分隔对组成据code class="literal">'hyperparameteroptimizationoptions'据/code>和结构。该参数修改据a href="#mw_b2a3645c-db59-461a-b388-728ab169c572" class="intrnllnk"> 获取函数的名称包括据code class="literal">每秒据/code>不会产生可重复的结果,因为优化依赖于目标函数的运行时间。获取函数的名称包括据code class="literal">加据/code>当它们过度开放区域时修改其行为。有关更多详细信息,请参阅据a href="//www.tatmou.com/help/stats/bayesian-optimization-algorithm.html" class="a">采集函数类型据/a>.据/P.> 时间限制,指定为正面真实。时间限制是以秒为单位的据a href="//www.tatmou.com/help/matlab/ref/tic.html"> 显示到命令行。据/P.>
有关详细信息,请参阅据code class="function">Bayesopt.据/code> 指示是否在每次迭代时重新划分交叉验证的逻辑值。如果据code class="literal">错误的据/code>,优化器使用单个分区进行优化。据/P.> 例子:据/strong> 数据类型:据/strong>OptimizeHyperparameters据/code>名称-值对的论点。结构中的所有字段都是可选的。据/P.>
字段名据/T.h>
值据/T.h>
默认的据/T.h>
优化器据/code>
'Bayesopt'据/code>- 使用贝叶斯优化。内部,此设置呼叫据a href="//www.tatmou.com/help/stats/bayesopt.html">
Bayesopt.据/code>.据/P.>
'gridsearch'据/code>- 使用网格搜索据code class="literal">numgriddivisiving.据/code>每个维度的值。据/P.>
“randomsearch”据/code>- 随机搜索据code class="literal">maxobjectiveevaluations.据/code>要点。据/P.>
'gridsearch'据/code>以随机顺序搜索,使用均匀抽样而不从网格中替换。优化之后,您可以使用该命令获得一个按网格顺序排列的表据code class="literal">sortrows(mdl.hyperParameterOptimationResults)据/code>.据/P.>
'Bayesopt'据/code>
收集功能名称据/code>
“expected-improvement-per-second-plus”据/code>
'预期改善'据/code>
“expected-improvement-plus”据/code>
“expected-improvement-per-second”据/code>
“lower-confidence-bound”据/code>
“概率的,改善”据/code>
“expected-improvement-per-second-plus”据/code>
maxobjectiveevaluations.据/code>
目标函数求值的最大次数。据/T.d>
30.据/code>为了据code class="literal">'Bayesopt'据/code>或者据code class="literal">“randomsearch”据/code>,以及整个网格据code class="literal">'gridsearch'据/code>
MaxTime.据/code>
Tic.据/code>和据a href="//www.tatmou.com/help/matlab/ref/toc.html">
toc据/code>.运行时间可以超过据code class="literal">MaxTime.据/code>因为据code class="literal">MaxTime.据/code>不中断功能评估。据/P.>
INF.据/code>
numgriddivisiving.据/code>
为据code class="literal">'gridsearch'据/code>,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。据/T.d>
10.据/code>
Showplots.据/code>
指示是否显示绘图的逻辑值。如果据code class="literal">真的据/code>,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,如果据code class="literal">优化器据/code>是据code class="literal">'Bayesopt'据/code>,然后据code class="literal">Showplots.据/code>还绘制了对参数的目标函数的模型。据/T.d>
真的据/code>
SaveIntermediateResults据/code>
逻辑值,指示是否保存结果时据code class="literal">优化器据/code>是据code class="literal">'Bayesopt'据/code>.如果据code class="literal">真的据/code>,此字段覆盖名为的工作空间变量据code class="literal">'贝叶特遗露'据/code>在每一个迭代。变量是a据a href="//www.tatmou.com/help/stats/bayesianoptimization.html"> BayesianOptimization据/code>对象。据/T.d>
错误的据/code>
详细的据/code>
0.据/code>-没有迭代显示据/P.>
1据/code>——迭代显示据/P.>
2据/code>- 迭代显示额外信息据/P.>
详细的据/code>
名称-值对的论点。据/P.>1据/code>
使用指α.据/code>
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,请参阅据a href="//www.tatmou.com/help/stats/parallel_bayesian_optimization.html" class="a">并行贝叶斯优化据/a>.据/T.d>
错误的据/code>
重新分区据/code>
真的据/code>通常给出最健壮的结果,因为这个设置考虑到了分区噪声。然而,为了得到好的结果,据code class="literal">真的据/code>需要至少两倍的函数评估。据/P.>
错误的据/code>
不超过以下三个字段名称中的一个。据/T.d>
CVPartition据/code>
一种据code class="literal">CVPartition.据/code>对象创建的据a href="//www.tatmou.com/help/stats/cvpartition.html"> CVPartition.据/code>.据/T.d>
“Kfold”,5据/code>如果您没有指定任何交叉验证字段据/T.d>
坚持据/code>
在范围A的标量据code class="literal">(0,1)据/code>代表熔断部分。据/T.d>
Kfold据/code>
大于1的整数。据/T.d>
“HyperparameterOptimizationOptions”、结构(MaxObjectiveEvaluations, 60)据/code>
结构体据/code>
MDL.据/code>- 培训的内核分类模型据B.r>ClassificationKernel据/code>模型对象|据code class="literal">ClassificationPartitionedKernel据/code>旨在模型对象据/span>
训练有素的内核分类模型,作为一个返回据a href="//www.tatmou.com/help/stats/classificationkernel.html"> 如果设置任何名称值对参数据a href="#mw_24453002-acd0-4944-8196-a972f3ce6575" class="intrnllnk"> 引用据code class="literal">MDL.据/code>,使用点符号。例如,输入据code class="literal">mdl.numexpansiondimensions.据/code>在命令窗口中显示扩展空间的尺寸的数量。据/P.>
请注意据/strong> 不同于其他分类模型,并为经济的内存使用,a据code class="literal">ClassificationKernel据/code>模型对象不存储训练数据或训练过程细节(例如,收敛历史)。据/P.>
ClassificationKernel据/code>模型对象或据a href="//www.tatmou.com/help/stats/classreg.learning.partition.classificationpartitionedkernel.html">
ClassificationPartitionedKernel据/code>交叉验证的模型对象。据/P.>
横梁据/code>那据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-CVPartition" class="intrnllnk">
CVPartition据/code>那据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Holdout" class="intrnllnk">
坚持据/code>那据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-KFold" class="intrnllnk">
kfold.据/code>, 或者据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-Leaveout" class="intrnllnk">
忽略据/code>,然后据code class="literal">MDL.据/code>是A.据code class="object">ClassificationPartitionedKernel据/code>交叉验证的分类器。除此以外,据code class="literal">MDL.据/code>是A.据code class="object">ClassificationKernel据/code>分类器。据/P.>
FitInfo据/code>- 优化细节据B.r>结构阵列据/span>
优化细节,作为结构数组返回,其中包括本表中描述的字段。字段包含最终值或名称-值对参数说明。据/P.>
场地据/T.h> | 描述据/T.h> |
---|---|
解算器据/code> |
目标函数最小化技术:据code class="literal">'lbfgs-fast'据/code>那据code class="literal">'lbfgs-bloserve'据/code>, 或者据code class="literal">“LBFGS-tall”据/code>.有关详细信息,请参阅据a href="//www.tatmou.com/help/stats/fitckernel.html" class="intrnllnk">算法据/a>.据/P.> |
损失据/code> |
损失功能。任何一个据code class="literal">'合页'据/code>或者据code class="literal">'logit'据/code>取决于线性分类模型的类型。看据a href="//www.tatmou.com/help/stats/fitckernel.html" class="intrnllnk">学习者据/code>.据/T.d>
|
λ据/code> |
正则长期强度。看据a href="//www.tatmou.com/help/stats/fitckernel.html" class="intrnllnk">λ据/code>.据/T.d>
|
BetaTolerance据/code> |
线性系数的相对容差和偏差项。看据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-BetaTolerance" class="intrnllnk">BetaTolerance据/code>.据/T.d>
|
梯度特拉据/code> |
绝对梯度容差。看据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-GradientTolerance" class="intrnllnk">梯度特拉据/code>.据/T.d>
|
ObjectiveValue据/code> |
优化结束时目标函数的值。分类损失加上正则化项构成目标函数。据/T.d> |
梯度射下据/code> |
优化终止时目标函数梯度向量的无穷范数。看据code class="argument">梯度特拉据/code>.据/T.d> |
RelativeChangeInBeta据/code> |
当优化终止时,线性系数的相对变化和偏置术语。看据code class="argument">BetaTolerance据/code>.据/T.d> |
FitTime据/code> |
使模型与数据相适应所需的挂钟时间(以秒为单位)。据/T.d> |
历史据/code> |
优化信息的历史。这个字段是空的(据code class="literal">[]据/code>),如果指定据code class="literal">“详细”,0据/code>.有关详细信息,请参阅据a href="//www.tatmou.com/help/stats/fitckernel.html" class="intrnllnk">详细的据/code>和据a href="//www.tatmou.com/help/stats/fitckernel.html" class="intrnllnk">算法据/a>.据/T.d>
|
要访问字段,请使用点表示法。例如,要访问每次迭代的目标函数值的向量,请输入据code class="literal">FitInfo。O.B.jE.ctiveValue据/code>在命令窗口。据/P.>
一个好的做法是检验据code class="literal">FitInfo据/code>评估收敛是否令人满意。据/P.>
HyperParameterOptimationResults.据/code>-超参数的交叉验证优化据B.r>BayesianOptimization据/code>对象|超参数和关联值表据/span>
超参数的交叉验证优化,返回为a据a href="//www.tatmou.com/help/stats/bayesianoptimization.html">BayesianOptimization据/code>对象或包含超参数和关联值的表。的值时输出非空据a href="#mw_b2a3645c-db59-461a-b388-728ab169c572" class="intrnllnk">
'OptimizeHyperParameters'据/code>不是据code class="literal">“没有”据/code>.输出值取决于据code class="literal">优化器据/code>田地值据code class="literal">'hyperparameteroptimizationoptions'据/code>名称值对参数:据/P.>
的价值据code class="literal">优化器据/code>场地据/T.h>
的价值据code class="argument">HyperParameterOptimationResults.据/code>
'Bayesopt'据/code>(默认)据/T.d>
对象的类据a href="//www.tatmou.com/help/stats/bayesianoptimization.html">
BayesianOptimization据/code>
'gridsearch'据/code>或者据code class="literal">“randomsearch”据/code>
使用的超参数表,观察到的客观函数值(交叉验证丢失),以及从最低(最佳)到最高(最差)的观测等级据/T.d>
Fitconnelel.据/code>不接受系数向量的初始条件(据E.mclass="varname">β据/E.m>)和偏倚项(据E.mclass="varname">B.据/E.m>)用于确定决策功能,据span class="inlineequation">
Fitconnelel.据/code>不支持标准化。金宝app据/P.>
随机功能扩展,如随机厨房水槽据a href="//www.tatmou.com/help/stats/fitckernel.html" class="intrnllnk">[1]据/a>和快餐据a href="//www.tatmou.com/help/stats/fitckernel.html" class="intrnllnk">[2]据/a>,是一种近似高斯核的核分类算法,用于计算效率高的大数据。随机特征扩展对于拥有大型训练集的大数据应用程序更实用,但也可以应用于适合内存的较小数据集。据/P.>
核分类算法在将特征映射到高维空间后寻找一个最佳超平面,将数据分成两类。在低维空间中不可线性分离的非线性特征可以在扩展的高维空间中被分离。超平面分类的所有计算都只使用点积。下载188bet金宝搏通过替换点积,可以得到一个非线性分类模型据span class="inlineequation">X据/E.m>1据/sub>X据/E.m>2据/sub>'据/span>与非线性核函数据span class="inlineequation">
,在那里据E.mclass="varname">X据sub>一世据/sub>是个据E.mclass="varname">一世据/E.m>观测值(行向量)和据span class="inlineequation">φ据/E.m>(据E.mclass="varname">X据sub>一世据/sub>)据/span>是映射的转换吗据E.mclass="varname">X据sub>一世据/sub>到高维空间(称为“核心伎俩”)。但是,评估据span class="inlineequation">G据/E.m>(据E.mclass="varname">X据/E.m>1据/sub>那据E.mclass="varname">X据/E.m>2据/sub>)据/span>每对观察的(克矩阵)对于大数据集(大型)计算昂贵据E.mclass="varname">N.据/E.m>)。据/P.>
随机特征展开格式找到一个随机变换,使其点积近似于高斯核。也就是说,据/P.>
在哪里据span class="inlineequation">T.据/E.m>(据E.mclass="varname">X据/E.m>)据/span>地图据E.mclass="varname">X据/E.m>在据span class="inlineequation">
到一个高维空间(据span class="inlineequation">
)。随机厨房水槽方案使用随机转换据/P.>
在哪里据span class="inlineequation">
样品是从据span class="inlineequation">
和据span class="inlineequation">σ据/E.m>2据/sup>是内核规模。这个计划需要据span class="inlineequation">O.据/E.m>(据E.mclass="varname">m据/E.m>P.据/E.m>)据/span>计算和存储。该快餐方案引入了另一种随机的基础据E.mclass="varname">V.据/E.m>代替据E.mclass="varname">Z.据/E.m>使用阿达玛矩阵和高斯尺度矩阵。这种随机基将计算成本降低到据span class="inlineequation">O.据/E.m>(据E.mclass="varname">m据/E.m> 这据code class="function">Fitconnelel.据/code>功能使用FastFood计划进行随机特征扩展,并使用线性分类来培训高斯内核分类模型。与求解器不同据code class="function">fitcsvm.据/code>功能,需要计算据E.mclass="varname">N.据/E.m>——- - - - - -据E.mclass="varname">N.据/E.m>格矩阵,求解器据code class="function">Fitconnelel.据/code>只需要形成一个大小矩阵据E.mclass="varname">N.据/E.m>——- - - - - -据E.mclass="varname">m据/E.m>,据E.mclass="varname">m据/E.m>通常比据E.mclass="varname">N.据/E.m>对于大数据。据/P.>
日志据/code>P.据/E.m>)据/span>并减少存储空间据span class="inlineequation">O.据/E.m>(据E.mclass="varname">m据/E.m>)据/span>.据/P.>
一个框约束是控制在违规的侵害的最大惩罚的参数,并有助于防止过度装箱(正规化)。增加盒子约束可能导致更长的训练时间。据/P.>
框约束(据E.mclass="varname">C据/E.m>)和正规化期限力量(据E.mclass="varname">λ据/E.m>)与…有关据span class="inlineequation">C据/E.m>= 1 /(据E.mclass="varname">λ据/E.m>N.据/E.m>)据/span>,在那里据E.mclass="varname">N.据/E.m>为观察次数。据/P.>
当据code class="function">Fitconnelel.据/code>使用块明智的策略,据code class="function">Fitconnelel.据/code>通过在每次迭代在数据的不同部分之间的计算来实现LBFGS。还,据code class="function">Fitconnelel.据/code>通过将模型局部拟合到部分数据中,并通过平均结合系数来改进线性系数和偏差项的初始估计。如果您指定据code class="literal">“详细”,1据/code>,然后据code class="function">Fitconnelel.据/code>显示诊断信息对每个数据传递和存储在所述信息据code class="literal">历史据/code>领域的据a href="#d123e861761" class="intrnllnk"> 当据code class="function">Fitconnelel.据/code>不使用区块策略,初始估计为零。如果您指定据code class="literal">“详细”,1据/code>,然后据code class="function">Fitconnelel.据/code>显示每次迭代的诊断信息,并存储信息据code class="literal">历史据/code>领域的据code class="argument">FitInfo据/code>.据/P.>
Fitconnelel.据/code>使用带脊的有限记忆Broyden-Fletcher-Goldfarb-Shanno (LBFGS)求解器最小化正则化目标函数据E.mclass="varname">L.据/E.m>2据/sub>)正规化。找到用于培训的LBFGS求解器的类型据code class="literal">FitInfo。解算器据/code>在命令窗口。据/P.>
'lbfgs-fast'据/code>——LBFGS解算器。据/P.>
'lbfgs-bloserve'据/code>- LBFGS求解器与方块策略。如果据code class="function">Fitconnelel.据/code>需要比值更多的内存据a href="#mw_12a0ec32-45b9-4fc1-9dd1-8f5ce8175651_sep_shared-BlockSize" class="intrnllnk">
BlockSize据/code>为了保存转换后的预测器数据,它使用按块划分的策略。据/P.>
“LBFGS-tall”据/code>- LBFGS求解器,具有高阵列的块状策略。据/P.>
FitInfo据/code>.据/P.>
Rahimi, A.和B. Recht。《大规模内核机器的随机特性》据E.mclass="citetitle">神经信息处理系统的进步据/E.m>.第20卷,2008,第1177-1184页。据/P.>
[2] Le,Q.,T.Sarlós和A. Smola。“快餐 - 近似登录时间的内核扩展。”据E.mclass="citetitle">第30届机器学习会议的诉讼程序据/E.m>.卷。28,3,2013,第323页。244-252。据/P.>
[3] Huang, P. S., H. Avron, T. N. Sainath, V. Sindhwani,和B. Ramabhadran。核方法与TIMIT上的深度神经网络匹配。据E.mclass="citetitle">2014 IEEE声学、语音和信号处理国际会议据/E.m>.2014年,页205 - 209。据/P.>
使用注意事项及限制:据/P.>
Fitconnelel.据/code>不支持高金宝app据code class="literal">桌子据/code>数据。据/P.>
与内存中的默认值相比,一些名称-值对参数有不同的默认值据code class="function">Fitconnelel.据/code>函数。金宝app受支持的名称-值对参数及其区别如下:据/P.>
“学习者”据/code>
“NumExpansionDimensions”据/code>
“KernelScale”据/code>
“BoxConstraint”据/code>
'lambda'据/code>
“BetaTolerance”据/code>- 默认值放宽据code class="literal">1 e - 3据/code>.据/P.>
'gradienttolerance'据/code>- 默认值放宽据code class="literal">1 e-5据/code>.据/P.>
'iterationlimit'据/code>- 默认值放宽据code class="literal">20.据/code>.据/P.>
“BlockSize”据/code>
'RandomStream'据/code>
“HessianHistorySize”据/code>
'verbose'据/code>- 默认值是据code class="literal">1据/code>.据/P.>
'classnames'据/code>
“成本”据/code>
'事先的'据/code>
'scoretransform'据/code>
“重量”据/code>—Value必须为高数组。据/P.>
'OptimizeHyperParameters'据/code>
'hyperparameteroptimizationoptions'据/code>-对于交叉验证,只支持高优化金宝app据code class="literal">'坚持'据/code>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,指定据code class="literal">'HyperparameterOptimizationOptions',结构( '不吸墨性',0.3)据/code>保留30%的数据作为验证数据。据/span>
如果据code class="argument">“KernelScale”据/code>是据code class="literal">'汽车'据/code>,然后据code class="function">Fitconnelel.据/code>使用由控制的随机流据a href="//www.tatmou.com/help/matlab/ref/tallrng.html">tallrng据/code>二次抽样。为了重现性,必须为全局流和由据code class="function">tallrng据/code>.据/P.>
如果据code class="argument">'lambda'据/code>是据code class="literal">'汽车'据/code>,然后据code class="function">Fitconnelel.据/code>可能需要对数据进行额外的遍历来计算观测的次数据code class="argument">X据/code>.据/P.>
Fitconnelel.据/code>使用块明智的策略。有关详细信息,请参阅据a href="//www.tatmou.com/help/stats/fitckernel.html" class="intrnllnk">算法据/a>.据/P.>
有关更多信息,请参见据a href="//www.tatmou.com/help/matlab/tall-arrays.html" class="a">高大的数组据/a>.据/P.>
要执行并行的HyperParameter优化,请使用据code class="literal">'hyperparameteroptimizationOptions',struct('使用反应',true)据/code>调用此函数时的名称-值参数。据/P.>
有关并行超参数优化的更多信息,请参见据a href="//www.tatmou.com/help/stats/parallel_bayesian_optimization.html" class="a">并行贝叶斯优化据/a>.据/P.>
有关并行计算的一般信息,请参阅据a href="//www.tatmou.com/help/parallel-computing/run-matlab-functions-with-automatic-parallel-support.html" class="a">使用自动并行支持运行MATLAB功能金宝app据/a>(并行计算工具箱)据/span>.据/P.>
Bayesopt.据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">bestPoint据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">ClassificationKernel据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">ClassificationPartitionedKernel据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">fitclinear据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">fitcsvm.据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">预测据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">恢复据/code>
|据span itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">templateKernel据/code>
您单击了与此MATLAB命令对应的链接:据/P.>
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝app据/P.>
选择一个网站,以便在可用的地方进行翻译的内容,并查看本地活动和优惠。根据您的位置,我们建议您选择:据strong class="recommended-country">.据/P.> 选择据span class="recommended-country">网站据/a>
你也可以从以下列表中选择一个网站:据/P.>
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。据/P.>