纠错输出代码学习者模板
用templateECOC
,创建默认的ECOC模板。
t = templateCoc()
t =适合ECOC分类的模板。BinaryLearners: " Coding: " FitPosterior: [] Options: [] VerbosityLevel: [] NumConcurrent: [] Version: 1 Method: 'ECOC' Type: 'classification'
模板对象的所有属性都为空,除了方法
和类型
.当你通过t
到testckfold
,软件将用它们各自的默认值填充空属性。例如,软件填充二进制书
财产与'svm'
.其他默认值请参见Fitcecoc.
.
t
是为ECOC学习者制定的计划。当你创建它时,没有计算发生。你可以通过t
到testckfold
指定ECOC分类模型的计划,以与另一个模型进行统计比较。
选择预测器或特征的一种方法是训练两个模型,其中一个使用训练另一个的预测器的子集。统计比较模型的预测性能。如果有足够的证据表明,使用较少预测器训练的模型比使用较多预测器训练的模型表现更好,那么您可以继续使用更有效的模型。
载入费雪的虹膜数据集。绘制所有预测因子的二维组合。
负载渔民d =尺寸(meas,2);%预测数对= nchoosek(1:D,2)
对=6×21 2 1 3 1 4 2 2 2 4 3 4
为j = 1:大小(对,1)子图(3,2,j)g箭头(meas(:,对(j,1)),meas(:,对(j,2)),物种)xlabel(Sprintf(“量(:,% d) '双(j 1))) ylabel (sprintf (“量(:,% d) ',对(j,2)))传奇离开结束
根据散点图,MEAS(:,3)
和MEAS(:,4)
似乎他们很好地分开了群体。
创建ECOC模板指定使用一对一的编码设计。
t = templateECOC ('编码',“onevsall”);
默认情况下,Ecoc模型使用线性SVM二进制学习者。您可以通过指定使用它们来选择其他支持的算法金宝app“学习者”
名称-值对的论点。
测试仅仅使用预测器3和4训练的ECOC模型是否表现最好,以及使用所有预测器训练的ECOC模型。拒绝这个零假设意味着使用预测器3和4训练的ECOC模型比使用所有预测器训练的ECOC模型表现得更好。假设 表示使用预测器3和4训练的ECOC模型的分类误差 表示使用所有预测器训练的ECOC模型的分类误差,则检验为:
默认情况下,testckfold
进行5-by-2k倍F测试,这是不合适的单尾测试。指定进行5-by-2k倍t测试。
rng (1);%的再现性[h, pValue] = testckfold (t, t,量(:,对(6,:)),量,物种,......“替代”,“更大的”,“测试”,'5x2t')
h =逻辑0
pValue = 0.8940
的h = 0
表示没有足够的证据表明使用预测器3和4训练的模型比使用所有预测器训练的模型更准确。
指定可选的逗号分隔的对名称,价值
参数。的名字
参数名和价值
是相应的价值。的名字
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Name1, Value1,…,的家
.
'编码','ternarycomplete','fitledosterior',真实,'学习者','树'
指定一个三元完整编码设计,将分数转换为后验概率,并为所有二进制学习者生长分类树。
编码
- - - - - -编码设计'OneVsone'
(默认)|“allpairs”
|“binarycomplete”
|“denserandom”
|“onevsall”
|“顺序”
|“sparserandom”
|“ternarycomplete”
|数字矩阵编码设计名称,指定为逗号分隔对,由'编码'
和一个数值矩阵或者这个表中的一个值。
价值 | 二元学习者数量 | 描述 |
---|---|---|
“allpairs” 和'OneVsone' |
K(K- 1) / 2 | 对于每个二元学习者,一个类是正的,另一个是负的,软件忽略其余的。这个设计用尽了类对作业的所有组合。 |
“binarycomplete” |
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。对于每个二元学习者,所有的课堂作业都是-1 和1 作业中至少有一节正负课。 |
|
“denserandom” |
随机的,但大约有10个日志2K | 对于每个二进制学习者,软件随机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,请参阅随机编码设计矩阵. |
“onevsall” |
K | 对于每个二进制学习者,一个类是积极的,其余的是消极的。这种设计排除了正类分配的所有组合。 |
“顺序” |
K- 1 | 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。 |
“sparserandom” |
随机的,但大约有15个日志2K | 对于每个二进制学习者,软件随机将类分配为正或负,每个概率为0.25,并忽略概率0.5的类。有关更多详细信息,请参阅随机编码设计矩阵. |
“ternarycomplete” |
这种设计将类划分为所有的三元组合。所有的课堂作业0 ,-1 , 和1 在任务中至少有一个积极和一个负类。 |
您还可以使用自定义编码矩阵指定编码设计。自定义编码矩阵是一个K——- - - - - -l矩阵。每一行对应一个类,每一列对应一个二元学习者。类的顺序(行)对应于一会
.按照以下指导方针来编写矩阵:
自定义编码矩阵的每个元素都必须是-1
,0
, 或者1
,并且该值必须对应于二分法类分配。这张表描述了含义编码(i, j)
,也就是说,学习者的课程j
指定在课堂上进行观察我
.
价值 | 二分法班级任务 |
---|---|
-1 |
学习者j 在课堂上分配观察我 到负面的课程。 |
0 |
在培训之前,学习者j 在课堂上移除观察我 从数据集。 |
1 |
学习者j 在课堂上分配观察我 到一个积极的课程。 |
每一列必须至少包含一个-1
或者1
.
对于所有列索引我
,j
这样我
≠j
,编码(:,我)
不能等于编码(:,j)
和编码(:,我)
不能等于- 编码(:,j)
.
所有行的自定义编码矩阵必须不同。
有关自定义编码设计矩阵形式的更多细节,请参见自定义编码设计矩阵.
例子:“编码”、“ternarycomplete”
数据类型:字符
|字符串
|双
|单身的
|int16
|int32
|int64
|INT8.
FitlePosterior.
- - - - - -指示是否将分数转换为后验概率的标志假
或者0
(默认)|真的
或者1
指示是否将分数转换为后验概率的标志,指定为包括的逗号分隔对“FitPosterior”
A.真的
(1
) 或者假
(0
).
如果FitlePosterior.
是真的
,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kfoldPredict
,预测
, 或者resubPredict
.
Fitcecoc.
不支持拟合后验概率金宝app:
集成方法是AdaBoostM2
,LPBoost
,RUSBoost
,抢劫
, 或者截止船
.
二元学习者(学习者
)是实现支持向量机的线性或核分类模型。为了获得线性或核分类模型的后验概率,使用逻辑回归代替。
例子:“FitPosterior”,真的
数据类型:逻辑
学习者
- - - - - -二进制学习者模板'svm'
(默认)|“判别”
|“内核”
|“资讯”
|'线性'
|'天真宝贝'
|'树'
|模板对象|模板对象的细胞矢量二进制学习者模板,指定为逗号分隔对组成“学习者”
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GentleBoost
,LogitBoost
, 和抢劫
,以解决多类问题。然而,Fitcecoc.
还支持多类金宝app模型作为二进制分类器。
如果学习者
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。
价值 | 描述 |
---|---|
“判别” |
判别分析。有关默认选项,请参见templateDiscriminant . |
“内核” |
内核的分类模型。有关默认选项,请参见TemplateKernel. . |
“资讯” |
k最近的邻居。有关默认选项,请参见templateknn. . |
'线性' |
线性分类模型。有关默认选项,请参见TemplateLinear. . |
'天真宝贝' |
天真的贝父。有关默认选项,请参见TemplateAniveBayes. . |
'svm' |
SVM。有关默认选项,请参见templateSVM . |
'树' |
分类树。有关默认选项,请参见templateTree . |
如果学习者
是一个模板对象,然后每个二进制学习者根据存储的选项进行训练。你可以使用以下方法创建模板对象:
templateDiscriminant
,用于判别分析。
templateEnsemble
,用于整体学习。你必须至少说明学习方法(方法
),学员人数(NLearn
),以及学习者的类型(学习者
).你不能使用AdaBoostM2
二元学习的集合方法。
TemplateKernel.
,用于内核分类。
templateknn.
,因为k最近的邻居。
TemplateLinear.
,用于线性分类。
TemplateAniveBayes.
对于朴素的贝叶斯来说。
templateSVM
支持向量机。
templateTree
,用于分类树。
如果学习者
是模板对象的单元格向量,则:
默认情况下,软件会使用默认的SVM模板培训学习者。
例子:“学习者”,“树”
t
- ECOC分类模板ECOC分类模板,作为模板对象返回。通过t
到testckfold
指定如何创建希望与另一个分类器比较其预测性能的ECOC分类器。
如果你显示t
,则所有未指定的选项显示为空([]
).但是,在训练期间,软件会用相应的默认值替换空选项。
ClassificationECOC
|Fitcecoc.
|designecoc
|templateDiscriminant
|templateEnsemble
|templateknn.
|templateSVM
|templateTree
|预测
|testckfold
Hai fatto clic su un collegamento che corto comando MATLAB:
Esegui il comando inserendolo nella finestra di comando MATLAB。我浏览器web非supportano金宝app I命令MATLAB。
您还可以从以下列表中选择一个网站:
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。