ClassificationECOCgydF4y2Ba

サポートベクターマシン(SVM)などの分類器用のマルチクラスモデルgydF4y2Ba

説明gydF4y2Ba

ClassificationECOCgydF4y2Baは,分類器が複数のバイナリ学習器(サポートベクターマシン(SVM)など)から構成されている場合の,マルチクラス学習用のgydF4y2Ba誤り訂正出力符号(ECOC)分類器gydF4y2Baです。学習済みのgydF4y2BaClassificationECOCgydF4y2Ba分類器には,学習データ,パラメーター値,事前確率および符号化行列が格納されます。これらの分類器を使用して,新しいデータのラベルや事後確率を予測する(gydF4y2Ba预测gydF4y2Baを参照)などのタスクを実行できます。gydF4y2Ba

作成gydF4y2Ba

ClassificationECOCgydF4y2Baオブジェクトの作成にはgydF4y2BafitcecocgydF4y2Baを使用します。gydF4y2Ba

交差検証オプションを指定せずに線形またはカーネルバイナリ学習器を指定した場合,gydF4y2BafitcecocgydF4y2Baは代わりにgydF4y2BaCompactClassificationECOCgydF4y2Baオブジェクトを返します。gydF4y2Ba

プロパティgydF4y2Ba

すべて展開するgydF4y2Ba

ClassificationECOCgydF4y2Baモデルオブジェクトを作成した後で,ドット表記を使用してプロパティにアクセスできます。たとえば,gydF4y2Ba支持向量机学習器を使用したマルチクラスモデルの学習gydF4y2Baを参照してください。gydF4y2Ba

ECOCのプロパティgydF4y2Ba

`BinaryLearnersgydF4y2Ba`- - - - - -gydF4y2Ba学習済みバイナリ学習器gydF4y2Ba
モデルオブジェクトの细胞ベクトルgydF4y2Ba

学習済みバイナリ学習器。モデルオブジェクトの细胞ベクトルを指定します。バイナリ学習器の個数は,gydF4y2BaYgydF4y2Ba内のクラス数と符号化設計によって異なります。gydF4y2Ba

BinaryLearner {j}gydF4y2Baの学習は,gydF4y2BaCodingMatrixgydF4y2Ba(:, j)gydF4y2Baによって指定されるバイナリ問題に従って行われます。たとえば,SVM 学習器を使用したマルチクラス学習では、BinaryLearnersgydF4y2Baの各要素はgydF4y2BaCompactClassificationSVMgydF4y2Ba分類器です。gydF4y2Ba

データ型:gydF4y2Ba细胞gydF4y2Ba

`BinaryLossgydF4y2Ba`- - - - - -gydF4y2Baバイナリ学習器損失関数gydF4y2Ba
`“binodeviance”gydF4y2Ba`|gydF4y2Ba`“指数”gydF4y2Ba`|gydF4y2Ba`“汉明”gydF4y2Ba`|gydF4y2Ba`“枢纽”gydF4y2Ba`|gydF4y2Ba`“线性”gydF4y2Ba`|gydF4y2Ba`分对数的gydF4y2Ba`|gydF4y2Ba`“二次”gydF4y2Ba`

バイナリ学習器の損失関数。損失関数名を表す文字ベクトルを指定します。gydF4y2Ba

異なる損失関数を使用するバイナリ学習器によって学習させる場合,gydF4y2BaBinaryLossgydF4y2BaはgydF4y2Ba“汉明”gydF4y2Baに設定されます。精度が向上する可能性を高めるには,gydF4y2Ba预测gydF4y2BaまたはgydF4y2Ba损失gydF4y2Baの名前と値のペアの引数gydF4y2Ba“BinaryLoss”gydF4y2Baを使用して予測または損失を計算するときに,既定以外のバイナリ損失関数を指定します。gydF4y2Ba

データ型:gydF4y2Ba字符gydF4y2Ba

`BinaryYgydF4y2Ba`- - - - - -gydF4y2Baバイナリ学習器クラスラベルgydF4y2Ba
数値行列gydF4y2Ba

バイナリ学習器クラスラベル。数値行列として指定します。gydF4y2BaBinaryYgydF4y2BaはgydF4y2BaNumObservationsgydF4y2Ba行L列の行列でLはバイナリ学習器(gydF4y2Ba长度(Mdl.BinaryLearners)gydF4y2Ba)数です。gydF4y2Ba

BinaryYgydF4y2Baの要素はgydF4y2Ba1gydF4y2Ba、gydF4y2Ba0gydF4y2BaまたはgydF4y2Ba1gydF4y2Baで,値は二分法によるクラス割り当てに対応します。次の表に,学習器gydF4y2BajgydF4y2Baが観測値gydF4y2BakgydF4y2BaをgydF4y2BaBinaryY (k, j)gydF4y2Baの値に対応する二分クラスに割り当てる方法を示します。gydF4y2Ba

値gydF4y2Ba	二分法によるクラス割り当てgydF4y2Ba
`1gydF4y2Ba`	学習器gydF4y2Ba`jgydF4y2Ba`は,観測値gydF4y2Ba`kgydF4y2Ba`を陰性クラスに割り当てます。gydF4y2Ba
`0gydF4y2Ba`	学習の前に,学習器gydF4y2Ba`jgydF4y2Ba`は観測値gydF4y2Ba`kgydF4y2Ba`をデータセットから削除します。gydF4y2Ba
`1gydF4y2Ba`	学習器gydF4y2Ba`jgydF4y2Ba`は,観測値gydF4y2Ba`kgydF4y2Ba`を陽性クラスに割り当てます。gydF4y2Ba

データ型:gydF4y2Ba双gydF4y2Ba

`BinEdgesgydF4y2Ba`- - - - - -gydF4y2Ba数値予測子のビンのエッジgydF4y2Ba
数値ベクトルの细胞配列gydF4y2Ba|gydF4y2Ba`［］gydF4y2Ba`

このプロパティは読み取り専用です。gydF4y2Ba

数値予測子のビンのエッジ。p個の数値ベクトルが含まれている细胞配列を指定します。pは予測子の個数です。各ベクトルには,数値予測子のビンのエッジを含めます。カテゴリカル予測子はビン化されないので,カテゴリカル予測子の場合は,この细胞配列の要素を空にします。gydF4y2Ba

数値予測子がビン化されるのは,木学習器を使用してモデルに学習をさせるときに名前と値の引数gydF4y2Ba“NumBins”gydF4y2Baとして正の整数スカラーを指定した場合だけです。gydF4y2Ba“NumBins”gydF4y2Baの値が空(既定)である場合,gydF4y2BaBinEdgesgydF4y2Baプロパティは空になります。gydF4y2Ba

学習済みモデルgydF4y2BamdlgydF4y2BaのgydF4y2BaBinEdgesgydF4y2Baプロパティを使用することにより,ビン化された予測子データgydF4y2BaXbinnedgydF4y2Baを再現できます。gydF4y2Ba

X = mdl.X;%预测数据Xbinned = 0 (size(X));边缘= mdl.BinEdges;找到被分类的预测器的指数。idxNumeric =找到(~ cellfun (@isempty边缘));if iscolumn(idxNumeric) idxNumeric = idxNumeric';end for j = idxNumeric x = x (:，j);%如果x是一个表，则将x转换为数组。If istable(x) x = table2array(x);将x组到bin中gydF4y2Ba离散化gydF4y2Ba函数。xbinned =离散化(x,[无穷;边缘{};正]);Xbinned (:, j) = Xbinned;结束gydF4y2Ba

数値予測子の場合1からビンの個数までの範囲にあるビンのインデックスがgydF4y2BaXbinnedgydF4y2Baに格納されます。カテゴリカル予測子の場合,gydF4y2BaXbinnedgydF4y2Baの値は0になります。gydF4y2BaXgydF4y2BaにgydF4y2Ba南gydF4y2Baが含まれている場合,対応するgydF4y2BaXbinnedgydF4y2Baの値はgydF4y2Ba南gydF4y2Baになります。gydF4y2Ba

データ型:gydF4y2Ba细胞gydF4y2Ba

`CodingMatrixgydF4y2Ba`- - - - - -gydF4y2Baクラス割り当て符号gydF4y2Ba
数値行列gydF4y2Ba

バイナリ学習器のクラス割り当て符号。数値行列を指定します。gydF4y2BaCodingMatrixgydF4y2BaはK行L列の行列で,Kはクラスの個数,Lはバイナリ学習器の個数です。gydF4y2Ba

CodingMatrixgydF4y2Baの要素はgydF4y2Ba1gydF4y2Ba、gydF4y2Ba0gydF4y2BaまたはgydF4y2Ba1gydF4y2Baであり,値は二分法によるクラス割り当てに対応します。次の表に,学習器gydF4y2BajgydF4y2BaがクラスgydF4y2Ba我gydF4y2Baの観測値をgydF4y2BaCodingMatrix (i, j)gydF4y2Baの値に対応する二分クラスに割り当てる方法を示します。gydF4y2Ba

値gydF4y2Ba	二分法によるクラス割り当てgydF4y2Ba
`1gydF4y2Ba`	学習器gydF4y2Ba`jgydF4y2Ba`は,クラスgydF4y2Ba`我gydF4y2Ba`の観測値を陰性クラスに割り当てます。gydF4y2Ba
`0gydF4y2Ba`	学習の前に,学習器gydF4y2Ba`jgydF4y2Ba`はクラスgydF4y2Ba`我gydF4y2Ba`の観測値をデータセットから削除します。gydF4y2Ba
`1gydF4y2Ba`	学習器gydF4y2Ba`jgydF4y2Ba`は,クラスgydF4y2Ba`我gydF4y2Ba`の観測値を陽性クラスに割り当てます。gydF4y2Ba

`CodingNamegydF4y2Ba`- - - - - -gydF4y2Ba符号化設計名gydF4y2Ba
文字ベクトルgydF4y2Ba

符号化設計名。文字ベクトルを指定します。詳細は、符号化設計gydF4y2Baを参照してください。gydF4y2Ba

データ型:gydF4y2Ba字符gydF4y2Ba

`LearnerWeightsgydF4y2Ba`- - - - - -gydF4y2Baバイナリ学習器の重みgydF4y2Ba
数値行ベクトルgydF4y2Ba

バイナリ学習器の重み。数値行ベクトルを指定します。LearnerWeightsgydF4y2Baの長さは,バイナリ学習器の個数(gydF4y2Ba长度(Mdl.BinaryLearners)gydF4y2Ba)と同じです。gydF4y2Ba

LearnerWeights (j)gydF4y2Baは,分類器に学習をさせるためにバイナリ学習器gydF4y2BajgydF4y2Baが使用する観測値の重みの合計です。gydF4y2Ba

LearnerWeightsgydF4y2Baを使用し,カルバック・ライブラーダイバージェンスの最小化により事後確率をあてはめます。事後確率の推定に二次計画法を使用する場合,gydF4y2BaLearnerWeightsgydF4y2Baは無視されます。gydF4y2Ba

データ型:gydF4y2Ba双gydF4y2Ba|gydF4y2Ba单gydF4y2Ba

他の分類のプロパティgydF4y2Ba

`CategoricalPredictorsgydF4y2Ba`- - - - - -gydF4y2Baカテゴリカル予測子のインデックスgydF4y2Ba
正の整数のベクトルgydF4y2Ba|gydF4y2Ba`［］gydF4y2Ba`

カテゴリカル予測子のインデックス。正の整数のベクトルを指定します。gydF4y2BaCategoricalPredictorsgydF4y2Baには,カテゴリカル予測子が含まれている予測子データの列に対応するインデックス値を格納します。どの予測子もカテゴリカルではない場合,このプロパティは空(gydF4y2Ba［］gydF4y2Ba)になります。gydF4y2Ba

データ型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`一会gydF4y2Ba`- - - - - -gydF4y2Ba一意のクラスラベルgydF4y2Ba
绝对配列gydF4y2Ba|gydF4y2Ba文字配列gydF4y2Ba|gydF4y2Ba逻辑ベクトルgydF4y2Ba|gydF4y2Ba数値ベクトルgydF4y2Ba|gydF4y2Ba文字ベクトルの细胞配列gydF4y2Ba

学習で使用する一意なクラスラベル。绝对配列、文字配列、logical ベクトル、数値ベクトル、または文字ベクトルの cell 配列を指定します。一会gydF4y2Baのデータ型はクラスラベルgydF4y2BaYgydF4y2Baと同じです。gydF4y2Ba(字符串配列は文字ベクトルの细胞配列として扱われます)。gydF4y2Ba一会gydF4y2Baはクラスの順序も決定します。gydF4y2Ba

`成本gydF4y2Ba`- - - - - -gydF4y2Ba誤分類のコストgydF4y2Ba
正方数値行列gydF4y2Ba

このプロパティは読み取り専用です。gydF4y2Ba

誤分類のコスト。正方数値行列として指定します。成本gydF4y2BaにはK個の行および列が含まれ,Kはクラスの数です。gydF4y2Ba

成本(i, j)gydF4y2Baは,真のクラスがgydF4y2Ba我gydF4y2Baである点をクラスgydF4y2BajgydF4y2Baに分類するコストです。gydF4y2Ba成本gydF4y2Baの行と列の順序は,gydF4y2Ba一会gydF4y2Baのクラスの順序に対応します。gydF4y2Ba

fitcecocgydF4y2Baは,異なるタイプのバイナリ学習器に異なる誤分類のコストを組み込みます。gydF4y2Ba

データ型:gydF4y2Ba双gydF4y2Ba

`ExpandedPredictorNamesgydF4y2Ba`- - - - - -gydF4y2Ba展開された予測子名gydF4y2Ba
文字ベクトルの细胞配列gydF4y2Ba

展開された予測子名。文字ベクトルの细胞配列を指定します。

モデルがカテゴリカル変数用のエンコーディングを使用している場合,gydF4y2BaExpandedPredictorNamesgydF4y2Baには展開された変数を表す名前が格納されます。それ以外の場合,gydF4y2BaExpandedPredictorNamesgydF4y2BaはgydF4y2BaPredictorNamesgydF4y2Baと同じです。gydF4y2Ba

データ型:gydF4y2Ba细胞gydF4y2Ba

`ModelParametersgydF4y2Ba`- - - - - -gydF4y2Baパラメーター値gydF4y2Ba
オブジェクトgydF4y2Ba

ECOC分類器の学習に使用するパラメーター値(名前と値のペアの引数の値など)。オブジェクトを指定します。推定パラメーターはgydF4y2BaModelParametersgydF4y2Baに格納されません。gydF4y2Ba

ModelParametersgydF4y2Baのプロパティにはドット表記でアクセスします。たとえば,バイナリ学習器のパラメーターが含まれているテンプレートをリストするには、Mdl.ModelParameters.BinaryLearnergydF4y2Baを使用します。gydF4y2Ba

`NumObservationsgydF4y2Ba`- - - - - -gydF4y2Ba観測値の数gydF4y2Ba
正の数値スカラーgydF4y2Ba

学習データに含まれている観測値の数。正の数値スカラーを指定します。gydF4y2Ba

データ型:gydF4y2Ba双gydF4y2Ba

`PredictorNamesgydF4y2Ba`- - - - - -gydF4y2Ba予測子名gydF4y2Ba
文字ベクトルの细胞配列gydF4y2Ba

予測子データgydF4y2BaXgydF4y2Baに現れる順序で並んでいる予測子名。文字ベクトルの细胞配列を指定します。gydF4y2BaPredictorNamesgydF4y2Baの長さは,gydF4y2BaXgydF4y2Baの列数と同じです。gydF4y2Ba

データ型:gydF4y2Ba细胞gydF4y2Ba

`之前gydF4y2Ba`- - - - - -gydF4y2Ba前のクラスの確率gydF4y2Ba
数値ベクトルgydF4y2Ba

このプロパティは読み取り専用です。gydF4y2Ba

クラスの事前確率。数値ベクトルを指定します。之前gydF4y2Baの要素数はgydF4y2Ba一会gydF4y2Baのクラス数と同じであり,要素の順序はgydF4y2Ba一会gydF4y2Ba内のクラスの順序に対応します。gydF4y2Ba

fitcecocgydF4y2Baは,異なるタイプのバイナリ学習器に異なる誤分類のコストを組み込みます。gydF4y2Ba

データ型:gydF4y2Ba双gydF4y2Ba

`ResponseNamegydF4y2Ba`- - - - - -gydF4y2Ba応答変数名gydF4y2Ba
文字ベクトルgydF4y2Ba

応答変数名。文字ベクトルを指定します。

データ型:gydF4y2Ba字符gydF4y2Ba

`RowsUsedgydF4y2Ba`- - - - - -gydF4y2Baあてはめに使用した行gydF4y2Ba
`［］gydF4y2Ba`(既定値) |gydF4y2Ba逻辑ベクトルgydF4y2Ba

ClassificationECOCgydF4y2Baモデルのあてはめに使用した元の学習データの行。逻辑ベクトルを指定します。すべての行を使用した場合、このプロパティは空になります。

データ型:gydF4y2Ba逻辑gydF4y2Ba

`ScoreTransformgydF4y2Ba`- - - - - -gydF4y2Ba予測されたスコアに適用するスコア変換関数gydF4y2Ba
`“doublelogit”gydF4y2Ba`|gydF4y2Ba`“invlogit”gydF4y2Ba`|gydF4y2Ba`“ismax”gydF4y2Ba`|gydF4y2Ba`分对数的gydF4y2Ba`|gydF4y2Ba`“没有”gydF4y2Ba`|gydF4y2Ba関数ハンドルgydF4y2Ba|……gydF4y2Ba

予測されたスコアに適用するスコア変換関数。関数名または関数ハンドルを指定します。gydF4y2Ba

スコア変換関数をgydF4y2Ba函数gydF4y2Baなどに変更するには,ドット表記を使用します。gydF4y2Ba

組み込み関数の場合,gydF4y2Ba函数gydF4y2Baを表の値に置き換えて次のコードを入力します。gydF4y2Ba

Mdl。ScoreTransform =“函数”;gydF4y2Ba

値gydF4y2Ba	説明gydF4y2Ba
`“doublelogit”gydF4y2Ba`	1 / (1 + egydF4y2Ba^{2 xgydF4y2Ba}）gydF4y2Ba
`“invlogit”gydF4y2Ba`	Log (x / (1 - x))gydF4y2Ba
`“ismax”gydF4y2Ba`	最大のスコアをもつクラスのスコアを1に設定し,他のすべてのクラスのスコアを0に設定するgydF4y2Ba
`分对数的gydF4y2Ba`	1 / (1 + egydF4y2Ba^{- xgydF4y2Ba}）gydF4y2Ba
`“没有”gydF4y2Ba`またはgydF4y2Ba`“身份”gydF4y2Ba`	x(変換なし)gydF4y2Ba
`“标志”gydF4y2Ba`	x < 0のとき1gydF4y2Ba x = 0のとき0gydF4y2Ba x > 0のとき1gydF4y2Ba
`“对称”gydF4y2Ba`	2 x - 1gydF4y2Ba
`“symmetricismax”gydF4y2Ba`	最大のスコアをもつクラスのスコアを1に設定し,他のすべてのクラスのスコアを1に設定するgydF4y2Ba
`“symmetriclogit”gydF4y2Ba`	2 / (1 + egydF4y2Ba^{- xgydF4y2Ba}) - 1gydF4y2Ba

MATLABgydF4y2Ba^®gydF4y2Ba関数やユーザー定義関数の場合は,関数ハンドルを入力します。gydF4y2Ba
```
Mdl。ScoreTransform = @function;gydF4y2Ba
```
函数gydF4y2Baは,行列(元のスコア)を受け入れて同じサイズの行列(変換したスコア)を返さなければなりません。gydF4y2Ba

データ型:gydF4y2Ba字符gydF4y2Ba|gydF4y2Bafunction_handlegydF4y2Ba

`WgydF4y2Ba`- - - - - -gydF4y2Ba観測値の重みgydF4y2Ba
数値ベクトルgydF4y2Ba

ECOC分類器の学習に使用する観測値の重み。数値ベクトルを指定します。gydF4y2BaWgydF4y2Baの要素数はgydF4y2BaNumObservationsgydF4y2Baです。gydF4y2Ba

学習に使用する重みは正規化されgydF4y2Basum (W, omitnan)gydF4y2BaはgydF4y2Ba1gydF4y2Baになります。gydF4y2Ba

データ型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba標準化されていない予測子データgydF4y2Ba
数値行列gydF4y2Ba|gydF4y2BaテーブルgydF4y2Ba

ECOC分類器の学習に使用する,標準化されていない予測子データ。数値行列または表を指定します。gydF4y2Ba

XgydF4y2Baの各行は1つの観測値に対応し,各列は1つの変数に対応します。gydF4y2Ba

データ型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba|gydF4y2Ba表格gydF4y2Ba

`YgydF4y2Ba`- - - - - -gydF4y2Ba観測されたクラスラベルgydF4y2Ba
绝对配列gydF4y2Ba|gydF4y2Ba文字配列gydF4y2Ba|gydF4y2Ba逻辑ベクトルgydF4y2Ba|gydF4y2Ba数値ベクトルgydF4y2Ba|gydF4y2Ba文字ベクトルの细胞配列gydF4y2Ba

ECOC分類器の学習に使用する,観測されたクラスラベル。绝对配列、文字配列、logical ベクトル、数値ベクトル、または文字ベクトルの cell 配列を指定します。YgydF4y2Baの要素数はgydF4y2BaNumObservationsgydF4y2Baで,データ型はgydF4y2BafitcecocgydF4y2Baの入力引数gydF4y2BaYgydF4y2Baと同じです。gydF4y2Ba(字符串配列は文字ベクトルの细胞配列として扱われます)。gydF4y2Ba

YgydF4y2Baの各行は,gydF4y2BaXgydF4y2Baの対応する行の観測された分類を表します。gydF4y2Ba

ハイパーパラメーター最適化のプロパティgydF4y2Ba

`HyperparameterOptimizationResultsgydF4y2Ba`- - - - - -gydF4y2Baハイパーパラメーターの交差検証最適化gydF4y2Ba
`BayesianOptimizationgydF4y2Ba`オブジェクトgydF4y2Ba|gydF4y2BaテーブルgydF4y2Ba

このプロパティは読み取り専用です。gydF4y2Ba

ハイパーパラメーターの交差検証最適化。ハイパーパラメーターおよび関連する値が含まれているテーブルまたはgydF4y2BaBayesianOptimizationgydF4y2Baオブジェクトを指定します。モデルを作成するときに名前と値のペアの引数“OptimizeHyperparameters”gydF4y2Baが空以外であった場合,このプロパティは空以外になります。gydF4y2BaHyperparameterOptimizationResultsgydF4y2Baの値は,モデル作成時の構造体gydF4y2BaHyperparameterOptimizationOptionsgydF4y2BaのgydF4y2Ba优化器gydF4y2Baフィールドの設定によって変化します。gydF4y2Ba

`优化器gydF4y2Ba`フィールドの値gydF4y2Ba	`HyperparameterOptimizationResultsgydF4y2Ba`の値gydF4y2Ba
`“bayesopt”gydF4y2Ba`(既定の設定)gydF4y2Ba	`BayesianOptimizationgydF4y2Ba`クラスのオブジェクトgydF4y2Ba
`“gridsearch”gydF4y2Ba`またはgydF4y2Ba`“randomsearch”gydF4y2Ba`	使用したハイパーパラメーター,観測された目的関数の値(交差検証損失),および最低(最良)から最高(最悪)までの観測値の順位が格納されているテーブルgydF4y2Ba

オブジェクト関数gydF4y2Ba

`紧凑的gydF4y2Ba`	マルチクラス誤り訂正出力符号(ECOC)モデルのサイズを縮小gydF4y2Ba
`compareHoldoutgydF4y2Ba`	新しいデータを使用して2つの分類モデルの精度を比較gydF4y2Ba
`crossvalgydF4y2Ba`	マルチクラス誤り訂正出力符号(ECOC)モデルの交差検証gydF4y2Ba
`discard金宝appSupportVectorsgydF4y2Ba`	ECOCモデルの線形SVMバイナリ学習器のサポートベクターを破棄gydF4y2Ba
`边缘gydF4y2Ba`	マルチクラス誤り訂正出力符号(ECOC)モデルの分類エッジgydF4y2Ba
`损失gydF4y2Ba`	マルチクラス誤り訂正出力符号(ECOC)モデルの分類損失gydF4y2Ba
`保证金gydF4y2Ba`	マルチクラス誤り訂正出力符号(ECOC)モデルの分類マージンgydF4y2Ba
`partialDependencegydF4y2Ba`	部分従属の計算gydF4y2Ba
`plotPartialDependencegydF4y2Ba`	部分依存プロット(PDP)および個別条件付き期待値(ICE)プロットの作成gydF4y2Ba
`预测gydF4y2Ba`	マルチクラス誤り訂正出力符号(ECOC)モデルを使用して観測値を分類gydF4y2Ba
`resubEdgegydF4y2Ba`	マルチクラス誤り訂正出力符号(ECOC)モデルの再代入分類エッジgydF4y2Ba
`石灰gydF4y2Ba`	本地可解释模型不可知解释(LIME)gydF4y2Ba
`resubLossgydF4y2Ba`	マルチクラス誤り訂正出力符号(ECOC)モデルの再代入分類損失gydF4y2Ba
`resubMargingydF4y2Ba`	マルチクラス誤り訂正出力符号(ECOC)モデルの再代入分類マージンgydF4y2Ba
`resubPredictgydF4y2Ba`	マルチクラス誤り訂正出力符号(ECOC)モデル内の観測値を分類gydF4y2Ba
`沙普利gydF4y2Ba`	シャープレイ値gydF4y2Ba
`testckfoldgydF4y2Ba`	交差検証の反復により2つの分類モデルの精度を比較gydF4y2Ba

例gydF4y2Ba

すべて折りたたむgydF4y2Ba

支持向量机学習器を使用したマルチクラスモデルの学習gydF4y2Ba

ライブスクリプトを開くgydF4y2Ba

サポートベクターマシン(SVM)バイナリ学習器を使用して,マルチクラス誤り訂正出力符号(ECOC)モデルに学習をさせます。gydF4y2Ba

フィッシャーのアヤメのデータセットを読み込みます。予測子データgydF4y2BaXgydF4y2Baと応答データgydF4y2BaYgydF4y2Baを指定します。gydF4y2Ba

负载gydF4y2BafisheririsgydF4y2BaX =量;Y =物种;gydF4y2Ba

既定のオプションを使用して,マルチクラスECOCモデルに学習をさせます。gydF4y2Ba

Mdl = fitcecoc (X, Y)gydF4y2Ba

Mdl = ClassificationECOC ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'setosa' 'versicolor' 'virginica'} ScoreTransform: 'none' BinaryLearners: {3x1 cell} CodingName: 'onevsone'属性，方法gydF4y2Ba

MdlgydF4y2BaはgydF4y2BaClassificationECOCgydF4y2Baモデルです。既定では,gydF4y2BafitcecocgydF4y2BaはSVMバイナリ学習器および対1符号化設計を使用します。ドット表記を使用してgydF4y2BaMdlgydF4y2Baプロパティにアクセスできます。gydF4y2Ba

クラス名および符号化設計行列を表示します。gydF4y2Ba

Mdl。一会gydF4y2Ba

ans =gydF4y2Ba3 x1细胞gydF4y2Ba{'setosa'} {'versicolor'} {'virginica'}gydF4y2Ba

CodingMat = Mdl。CodingMatrixgydF4y2Ba

CodingMat =gydF4y2Ba3×3gydF4y2Ba1 1 0 1 0 1 1gydF4y2Ba

3つのクラスに対して対1符号化設計を使用すると,3つのバイナリ学習器が生成されます。gydF4y2BaCodingMatgydF4y2Baの列は学習器に,行はクラスに対応します。クラスの順序はgydF4y2BaMdl。一会gydF4y2Ba内の順序と同じです。たとえば,gydF4y2BaCodingMat (: 1)gydF4y2BaはgydF4y2Ba(1;1;0]gydF4y2Baであり,gydF4y2Ba“setosa”gydF4y2BaまたはgydF4y2Ba“多色的”gydF4y2Baとして分類されるすべての観測値を使用して最初のSVMバイナリ学習器が学習を行うことを示します。gydF4y2Ba“setosa”gydF4y2BaはgydF4y2Ba1gydF4y2Baに対応するので陽性クラスであり,gydF4y2Ba“多色的”gydF4y2BaはgydF4y2Ba1gydF4y2Baに対応するので陰性クラスです。gydF4y2Ba

各バイナリ学習器にセルのインデックス付けおよびドット表記を使用してアクセスすることができます。gydF4y2Ba

Mdl。BinaryLearners {1}gydF4y2Ba第一个二元学习者gydF4y2Ba

ans = CompactClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: [-1 1] ScoreTransform: 'none' Beta: [4x1 double] Bias: 1.4492 KernelParameters: [1x1 struct] Properties, Methods . txt: [gydF4y2Ba

再代入分類誤差を計算します。gydF4y2Ba

错误= resubLoss (Mdl)gydF4y2Ba

错误= 0.0067gydF4y2Ba

学習データに対する分類誤差は小さくなっていますが,分類器が過適合モデルになる可能性があります。代わりに,gydF4y2BacrossvalgydF4y2Baを使用して分類器を交差検証し,交差検証分類誤差を計算することができます。gydF4y2Ba

ECOC分類器のバイナリ学習器のプロパティの調査gydF4y2Ba

ライブスクリプトを開くgydF4y2Ba

SVMバイナリ学習器を使用してECOC分類器に学習をさせます。次に,ドット表記を使用して,バイナリ学習器のプロパティ(推定パラメーターなど)にアクセスします。gydF4y2Ba

フィッシャーのアヤメのデータセットを読み込みます。予測子として花弁の寸法を,応答として種の名前を指定します。gydF4y2Ba

负载gydF4y2BafisheririsgydF4y2BaX =量(:,3:4);Y =物种;gydF4y2Ba

SVMバイナリ学習器および既定の符号化設計(1対1)を使用してECOC分類器に学習をさせます。予測子を標準化し,サポートベクターを保存します。gydF4y2Ba

t = templateSVM (gydF4y2Ba“标准化”gydF4y2Ba,真的,gydF4y2Ba“Save金宝appSupportVectors”gydF4y2Ba,真正的);predictorNames = {gydF4y2Ba“petalLength”gydF4y2Ba，gydF4y2Ba“petalWidth”gydF4y2Ba};responseName =gydF4y2Ba“irisSpecies”gydF4y2Ba；一会= {gydF4y2Ba“setosa”gydF4y2Ba，gydF4y2Ba“多色的”gydF4y2Ba，gydF4y2Ba“virginica”gydF4y2Ba};gydF4y2Ba指定类顺序gydF4y2BaMdl = fitcecoc (X, Y,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“ResponseName”gydF4y2BaresponseName,gydF4y2Ba．．．gydF4y2Ba“PredictorNames”gydF4y2BapredictorNames,gydF4y2Ba“类名”gydF4y2Ba类名)gydF4y2Ba

Mdl = ClassificationECOC PredictorNames: {'petalLength' 'petalWidth'} ResponseName: 'irisSpecies' CategoricalPredictors: [] ClassNames: {'setosa' 'versicolor' 'virginica'} ScoreTransform: 'none' BinaryLearners: {3x1 cell} CodingName: 'onevsone'属性，方法gydF4y2Ba

tgydF4y2BaはSVM分類のオプションを含むテンプレートオブジェクトです。関数gydF4y2BafitcecocgydF4y2Baは空(gydF4y2Ba［］gydF4y2Ba)のプロパティについて既定値を使用します。gydF4y2BaMdlgydF4y2BaはgydF4y2BaClassificationECOCgydF4y2Ba分類器です。ドット表記を使用してgydF4y2BaMdlgydF4y2Baのプロパティにアクセスできます。gydF4y2Ba

クラス名および符号化設計行列を表示します。gydF4y2Ba

Mdl。一会gydF4y2Ba

ans =gydF4y2Ba3 x1细胞gydF4y2Ba{'setosa'} {'versicolor'} {'virginica'}gydF4y2Ba

Mdl。CodingMatrixgydF4y2Ba

ans =gydF4y2Ba3×3gydF4y2Ba1 1 0 1 0 1 1gydF4y2Ba

列はSVMバイナリ学習器に対応し,行は個々のクラスに対応します。行の順序は,gydF4y2BaMdlgydF4y2BaのgydF4y2Ba一会gydF4y2Baプロパティにおける順序と同じです。各列について:gydF4y2Ba

1gydF4y2Baは,対応するクラスの観測値を正のグループのメンバーとして使用してgydF4y2BafitcecocgydF4y2BaがSVMに学習をさせることを示します。gydF4y2Ba
1gydF4y2Baは,対応するクラスの観測値を負のグループのメンバーとして使用してgydF4y2BafitcecocgydF4y2BaがSVMに学習をさせることを示します。gydF4y2Ba
0gydF4y2Baは,対応するクラスの観測値をSVMが使用しないことを示します。gydF4y2Ba

たとえば1番目のSVMでgydF4y2BafitcecocgydF4y2Baはすべての観測値をgydF4y2Ba“setosa”gydF4y2BaまたはgydF4y2Ba“多色的”gydF4y2Baに割り当てていますが,gydF4y2Ba“virginica”gydF4y2Baには割り当てていません。gydF4y2Ba

セルの添字とドット表記を使用して,SVMのプロパティにアクセスします。各支持向量机の標準化されたサポートベクターを保存します。サポートベクターを非標準化します。gydF4y2Ba

L =大小(Mdl.CodingMatrix, 2);gydF4y2Ba%支持向量机个数gydF4y2Basv =细胞(L, 1);gydF4y2Ba%预分配支持向量索引金宝appgydF4y2Ba为gydF4y2Baj = 1:L SVM = Mdl.BinaryLearners{j};sv {j} = SVM金宝app.SupportVectors;sv {j} = sv {j}。* SVM。σ+ SVM.Mu;gydF4y2Ba结束gydF4y2Ba

svgydF4y2Baは,SVMの非標準化されたサポートベクターを含む行列の细胞配列です。gydF4y2Ba

データをプロットし,サポートベクターを特定します。gydF4y2Ba

图gscatter (X (: 1), (:, 2), Y);持有gydF4y2Ba在gydF4y2Ba标记= {gydF4y2Ba“柯”gydF4y2Ba，gydF4y2Ba“罗”gydF4y2Ba，gydF4y2Ba“波”gydF4y2Ba};gydF4y2Ba%的长度为LgydF4y2Ba为gydF4y2Baj = 1:L svs = sv{j};情节(sv (: 1), sv(:, 2),标记{j},gydF4y2Ba．．．gydF4y2Ba“MarkerSize”gydF4y2Ba，10 + (j - 1)*3;gydF4y2Ba结束gydF4y2Ba标题(gydF4y2BaFisher' s虹膜- ECOC支持载体金宝appgydF4y2Ba) xlabel(predictorNames{1}) ylabel(predictorNames{2}) legend([classNames，{gydF4y2Ba支金宝app持向量机1gydF4y2Ba，gydF4y2Ba．．．gydF4y2Ba支金宝app持向量机2gydF4y2Ba，gydF4y2Ba支金宝app持向量机3gydF4y2Ba}),gydF4y2Ba．．．gydF4y2Ba“位置”gydF4y2Ba，gydF4y2Ba“最佳”gydF4y2Ba)举行gydF4y2Ba从gydF4y2Ba

图中包含一个坐标轴。标题为Fisher's Iris - ECOC支持向量的轴包含6个类型为line的对金宝app象。这些对象代表setosa, versicolor, virginica，支持向量- SVM 1，支持向量- S金宝appVM 2，支持向量- SVM 3。gydF4y2Ba

次の関数にgydF4y2BaMdlgydF4y2Baを渡すことができます。gydF4y2Ba

预测gydF4y2Ba。新しい観測値を分類します。gydF4y2Ba
resubLossgydF4y2Ba。学習データに対する分類誤差を推定します。gydF4y2Ba
crossvalgydF4y2Ba。10分割交差検証を実行します。

ECOC分類器の交差検証gydF4y2Ba

ライブスクリプトを開くgydF4y2Ba

SVMバイナリ学習器によるECOC分類器を交差検証し,一般化分類誤差を推定します。gydF4y2Ba

フィッシャーのアヤメのデータセットを読み込みます。予測子データgydF4y2BaXgydF4y2Baと応答データgydF4y2BaYgydF4y2Baを指定します。gydF4y2Ba

负载gydF4y2BafisheririsgydF4y2BaX =量;Y =物种;rng (1);gydF4y2Ba%的再现性gydF4y2Ba

SVMテンプレートを作成し,予測子を標準化します。gydF4y2Ba

t = templateSVM (gydF4y2Ba“标准化”gydF4y2Ba,真正的)gydF4y2Ba

t =适合分类支持向量机的模板。α:[0 x1双]BoxConstraint: [] CacheSize: [] CachingMethod:“ClipAlphas: [] DeltaGradientTolerance:[]ε:[]GapTolerance: [] KKTTolerance: [] IterationLimit: [] KernelFunction:“KernelScale: [] KernelOffset: [] KernelPolynomialOrder: [] NumPrint:[]ν:[]OutlierFraction: [] RemoveDuplicates: [] ShrinkagePeriod:[]解算器:"标准化数据:1 SaveSupportVector金宝apps: [] VerbosityLevel:[]版本:2方法:'SVM'类型:'分类'gydF4y2Ba

tgydF4y2BaはSVMテンプレートです。テンプレートオブジェクトのプロパティは,ほとんとが空です。ECOC分類器に学習をさせると,該当するプロパティが既定値に設定されます。gydF4y2Ba

ECOC分類器に学習をさせ,クラスの順序を指定します。gydF4y2Ba

Mdl = fitcecoc (X, Y,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba．．．gydF4y2Ba“类名”gydF4y2Ba, {gydF4y2Ba“setosa”gydF4y2Ba，gydF4y2Ba“多色的”gydF4y2Ba，gydF4y2Ba“virginica”gydF4y2Ba}）;gydF4y2Ba

MdlgydF4y2BaはgydF4y2BaClassificationECOCgydF4y2Ba分類器です。ドット表記を使用してプロパティにアクセスできます。gydF4y2Ba

10分割交差検証を使用してgydF4y2BaMdlgydF4y2Baを交差検証します。gydF4y2Ba

CVMdl = crossval (Mdl);gydF4y2Ba

CVMdlgydF4y2BaはgydF4y2BaClassificationPartitionedECOCgydF4y2Ba交差検証ECOC分類器です。gydF4y2Ba

一般化分類誤差を推定します。gydF4y2Ba

genError = kfoldLoss (CVMdl)gydF4y2Ba

genError = 0.0400gydF4y2Ba

一般化分類誤差が4%なので,ECOC分類器がかなり良好に一般化を行うことがわかります。gydF4y2Ba

詳細gydF4y2Ba

すべて展開するgydF4y2Ba

誤り訂正出力符号モデルgydF4y2Ba

“誤り訂正出力符号(ECOC)モデル”gydF4y2Baは3つ以上のクラスがある分類の問題を一連のバイナリ分類問題に縮小します。gydF4y2Ba

ECOC分類は,バイナリ学習器が学習するクラスを決定する符号化設計と,バイナリ学習器の結果(予測)が集計される方法を決定する復号化スキームを必要とします。gydF4y2Ba

以下のように仮定します。gydF4y2Ba

3分類問題にはつのクラスがある。gydF4y2Ba
符号化設計が対1である。3.クラスの場合、この符号化設計は次のようになります。

$\begin{matrix} 学习者1gydF4y2Ba & 学习者2gydF4y2Ba & 学习者3gydF4y2Ba \\ 类1gydF4y2Ba & 1gydF4y2Ba & 1gydF4y2Ba & 0gydF4y2Ba \\ 二班gydF4y2Ba & -gydF4y2Ba 1gydF4y2Ba & 0gydF4y2Ba & 1gydF4y2Ba \\ 3班gydF4y2Ba & 0gydF4y2Ba & -gydF4y2Ba 1gydF4y2Ba & -gydF4y2Ba 1gydF4y2Ba \end{matrix}$
復号化方式で損失gを使用する。gydF4y2Ba
学習器がSVMである。gydF4y2Ba

ECOCアルゴリズムでは,次のステップに従ってこの分類モデルを構築します。gydF4y2Ba

学習器1はクラス1またはクラス2の観測値について学習を行い,クラス1を陽性クラス,クラス2を陰性クラスとして扱います。他の学習器の学習も同様に実行します。gydF4y2Ba
次のように仮定します。Mは要素MgydF4y2Ba_{吉隆坡gydF4y2Ba}をもつ符号化設計行列です。年代gydF4y2Ba_lgydF4y2Baは学習器lの陽性クラスの予測された分類スコアです。新しい観測値はL個のバイナリ学習器について損失の合計が最小になるクラス(gydF4y2Ba $\overset{＾gydF4y2Ba}{kgydF4y2Ba}$ )に割り当てられます。gydF4y2Ba

$\overset{＾gydF4y2Ba}{kgydF4y2Ba} ＝gydF4y2Ba \underset{kgydF4y2Ba}{argmingydF4y2Ba} \frac{{\sumgydF4y2Ba}_{lgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{lgydF4y2Ba} |gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba lgydF4y2Ba} |gydF4y2Ba ggydF4y2Ba （gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba lgydF4y2Ba} ，gydF4y2Ba {年代gydF4y2Ba}_{lgydF4y2Ba} ）gydF4y2Ba}{{\sumgydF4y2Ba}_{lgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{lgydF4y2Ba} |gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba lgydF4y2Ba} |gydF4y2Ba} ．gydF4y2Ba$

ECOCモデルは他のマルチクラスモデルと比較して分類精度を向上させることができますgydF4y2Ba［2］gydF4y2Ba。gydF4y2Ba

符号化設計gydF4y2Ba

"符号化設計"gydF4y2Baは,各バイナリ学習器がどのクラスを学習したのかを要素が指示する行列です。つまり,マルチクラス問題がどのように一連のバイナリ問題にされたのかを示します。gydF4y2Ba

符号化設計の各行は各クラスに対応し,各列はバイナリ学習器に対応します。三項符号化設計では,特定の列(バイナリ学習器)に対して以下が実行されます。gydF4y2Ba

1が含まれている行の場合,対応するクラスの観測値をすべて陽性クラスにグループ化するようバイナリ学習器に指示します。gydF4y2Ba
1が含まれている行の場合,対応するクラスの観測値をすべて陰性クラスにグループ化するようバイナリ学習器に指示します。gydF4y2Ba
0が含まれている行の場合,対応するクラスの観測値をすべて無視するようバイナリ学習器に指示します。gydF4y2Ba

ハミング尺度に基づく行の最小ペアワイズ距離が大きい符号化設計行列が最適です。行のペアワイズ距離の詳細については,gydF4y2Baランダム符号化設計行列gydF4y2BaおよびgydF4y2Ba［4］gydF4y2Baを参照してください。gydF4y2Ba

次の表は一般的な符号化設計について説明しています。gydF4y2Ba

符号化設計gydF4y2Ba	説明gydF4y2Ba	学習器の数gydF4y2Ba	行の最小ペアワイズ距離gydF4y2Ba
卵子(1対他)gydF4y2Ba	各バイナリ学習器では,1つのクラスは正で残りは負です。この計画は陽性クラス割り当てのすべての組み合わせを使用します。gydF4y2Ba	KgydF4y2Ba	2gydF4y2Ba
蛋(1対1)gydF4y2Ba	各バイナリ学習器では,1つのクラスが正であり,もう1つのクラスは負です。残りは無視されます。この計画はすべてのクラスペアの割り当ての組み合わせを使用します。gydF4y2Ba	K (K - 1) / 2gydF4y2Ba	1gydF4y2Ba
完全二項gydF4y2Ba	この計画はクラスをすべて2つの組み合わせに分割します。いずれのクラスも無視されません。つまり,すべてのクラス割り当てがgydF4y2Ba`1gydF4y2Ba`およびgydF4y2Ba`1gydF4y2Ba`になり,各バイナリ学習器について1つ以上の陽性クラスおよび1つ以上の陰性クラスが割り当てに含まれます。gydF4y2Ba	2gydF4y2Ba^{K - 1gydF4y2Ba}- 1gydF4y2Ba	2gydF4y2Ba^{K - 2gydF4y2Ba}
完全三項gydF4y2Ba	この計画はクラスをすべて3つの組み合わせに分割します。つまり,すべてのクラス割り当てがgydF4y2Ba`0gydF4y2Ba`、gydF4y2Ba`1gydF4y2Ba`およびgydF4y2Ba`1gydF4y2Ba`になり,各バイナリ学習器について1つ以上の陽性クラスおよび1つ以上の陰性クラスが割り当てに含まれます。gydF4y2Ba	（3gydF4y2Ba^KgydF4y2Ba- 2gydF4y2Ba^{K + 1gydF4y2Ba}+ 1) / 2gydF4y2Ba	3.gydF4y2Ba^{K - 2gydF4y2Ba}
順序gydF4y2Ba	1番目のバイナリ学習器では,1番目のクラスが負であり,残りは正です。2番目のバイナリ学習器では、最初の 2 つのクラスが負であり、残りは正です。他についても同様です。	K - 1gydF4y2Ba	1gydF4y2Ba
密なランダムgydF4y2Ba	各バイナリ学習器には,陽性または陰性クラス(少なくとも各1つ)が無作為に割り当てられます。詳細は,gydF4y2Baランダム符号化設計行列gydF4y2Baを参照してください。gydF4y2Ba	ランダム。ただし約10日志gydF4y2Ba_2gydF4y2BaKgydF4y2Ba	変数gydF4y2Ba
スパースランダムgydF4y2Ba	各バイナリ学習器では,各クラスに確率0.25で正または負が無作為に割り当てられ,確率0.5がの場合にクラスが無視されます。詳細は,gydF4y2Baランダム符号化設計行列gydF4y2Baを参照してください。gydF4y2Ba	ランダム。ただし約15日志gydF4y2Ba_2gydF4y2BaKgydF4y2Ba	変数gydF4y2Ba

このプロットは符号化設計のバイナリ学習器の数を増加するKと比較します。gydF4y2Ba

アルゴリズムgydF4y2Ba

すべて展開するgydF4y2Ba

ランダム符号化設計行列gydF4y2Ba

K個のクラスに対して,ランダム符号化設計行列が以下のように生成されます。gydF4y2Ba

次のいずれかの行列が生成されます。gydF4y2Ba
1. 密なランダム- K行LgydF4y2Ba_dgydF4y2Ba列の符号化設計行列の各要素に同じ確率で1または1が割り当てられます。ここでgydF4y2Ba ${lgydF4y2Ba}_{dgydF4y2Ba} \approxgydF4y2Ba ⌈gydF4y2Ba 10gydF4y2Ba {日志gydF4y2Ba}_{2gydF4y2Ba} KgydF4y2Ba ⌉gydF4y2Ba$ です。gydF4y2Ba
2. スパースランダム- K行LgydF4y2Ba_{年代gydF4y2Ba}列の符号化設計行列の各要素に0.25の確率で1,0.25の確率で1,0.5の確率で0が割り当てられます。ここでgydF4y2Ba ${lgydF4y2Ba}_{年代gydF4y2Ba} \approxgydF4y2Ba ⌈gydF4y2Ba 15gydF4y2Ba {日志gydF4y2Ba}_{2gydF4y2Ba} KgydF4y2Ba ⌉gydF4y2Ba$ です。gydF4y2Ba
1つ以上の1および1つ以上の1が列に含まれていない場合,その列は削除されます。gydF4y2Ba
異なる列uおよびvについてu = vまたはu = vである場合,vが符号化設計行列から削除されます。gydF4y2Ba

10000年既定では個の行列が無作為に生成されます。次によって与えられるハミング尺度(gydF4y2Ba［4］gydF4y2Ba)に基づき,行の最小ペアワイズ距離が最大になる行列が保持されます。gydF4y2Ba

$ΔgydF4y2Ba （gydF4y2Ba {kgydF4y2Ba}_{1gydF4y2Ba} ，gydF4y2Ba {kgydF4y2Ba}_{2gydF4y2Ba} ）gydF4y2Ba ＝gydF4y2Ba 0．5gydF4y2Ba {\sumgydF4y2Ba}_{lgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{lgydF4y2Ba} |gydF4y2Ba {米gydF4y2Ba}_{{kgydF4y2Ba}_{1gydF4y2Ba} lgydF4y2Ba} |gydF4y2Ba |gydF4y2Ba {米gydF4y2Ba}_{{kgydF4y2Ba}_{2gydF4y2Ba} lgydF4y2Ba} |gydF4y2Ba |gydF4y2Ba {米gydF4y2Ba}_{{kgydF4y2Ba}_{1gydF4y2Ba} lgydF4y2Ba} -gydF4y2Ba {米gydF4y2Ba}_{{kgydF4y2Ba}_{2gydF4y2Ba} lgydF4y2Ba} |gydF4y2Ba ，gydF4y2Ba$

ここで,mgydF4y2Ba_{kgydF4y2Ba_jgydF4y2BalgydF4y2Ba}は符号化設計行列jの要素です。gydF4y2Ba

サポートベクターの保存gydF4y2Ba

既定では,効率を向上させるため,gydF4y2BafitcecocgydF4y2Baはすべての線形SVMバイナリ学習器のgydF4y2BaαgydF4y2Ba、gydF4y2Ba金宝appSupportVectorLabelsgydF4y2BaおよびgydF4y2Ba金宝appSupportVectorsgydF4y2Baプロパティを空にします。gydF4y2BafitcecocgydF4y2Baは,gydF4y2BaαgydF4y2BaではなくgydF4y2BaβgydF4y2Baをモデル表示で出力します。gydF4y2Ba

αgydF4y2Ba、gydF4y2Ba金宝appSupportVectorLabelsgydF4y2BaおよびgydF4y2Ba金宝appSupportVectorsgydF4y2Baを保存するには,サポートベクターをgydF4y2BafitcecocgydF4y2Baに保存するよう指定する線形SVMテンプレートを渡します。たとえば,次のように入力します。gydF4y2Ba

t = templateSVM (gydF4y2Ba“Save金宝appSupportVectors”gydF4y2BaMdl = fitcecoc(X,Y，gydF4y2Ba“学习者”gydF4y2Bat);gydF4y2Ba

サポートベクターおよび関連する値は,生成されたgydF4y2BaClassificationECOCgydF4y2BaモデルをgydF4y2Badiscard金宝appSupportVectorsgydF4y2Baに渡すことにより削除できます。gydF4y2Ba

代替機能gydF4y2Ba

これらの代替アルゴリズムを使用してマルチクラスモデルに学習させることができます。gydF4y2Ba

アンサンブル分類-gydF4y2BafitcensemblegydF4y2BaおよびgydF4y2BaClassificationEnsemblegydF4y2Baを参照gydF4y2Ba
分類木,gydF4y2BafitctreegydF4y2BaおよびgydF4y2BaClassificationTreegydF4y2Baを参照gydF4y2Ba
判別分析分類器-gydF4y2BafitcdiscrgydF4y2BaおよびgydF4y2BaClassificationDiscriminantgydF4y2Baを参照gydF4y2Ba
k最近傍分類器-gydF4y2BafitcknngydF4y2BaおよびgydF4y2BaClassificationKNNgydF4y2Baを参照gydF4y2Ba
単純ベイズ分類器-gydF4y2BafitcnbgydF4y2BaおよびgydF4y2BaClassificationNaiveBayesgydF4y2Baを参照gydF4y2Ba

参照gydF4y2Ba

[1] Furnkranz,约翰。“循环赛分类”。机器学习研究，2002年第2卷，第721-747页。gydF4y2Ba

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。模式识别Letters, Vol. 30, Issue 3, 2009, pp. 285-297。gydF4y2Ba

拡張機能gydF4y2Ba

C / c++コード生成gydF4y2Ba
MATLAB®编码器™を使用してCおよびc++コードを生成します。gydF4y2Ba

使用上の注意事項および制限事項:gydF4y2Ba

関数gydF4y2Ba预测gydF4y2BaおよびgydF4y2Ba更新gydF4y2Baはコード生成をサポートします。gydF4y2Ba
fitcecocgydF4y2Baを使用してECOCモデルに学習をさせる場合,以下の制限が適用されます。gydF4y2Ba
- 名前と値のペアの引数gydF4y2Ba“FitPosterior”gydF4y2Baを使用して事後確率をあてはめることはできません。gydF4y2Ba
- すべてのバイナリ学習器がSVM分類器または線形分類モデルでなければなりません。名前と値のペアの引数gydF4y2Ba“学习者”gydF4y2Baについて以下を指定できます。gydF4y2Ba
  - “支持向量机”gydF4y2BaまたはgydF4y2Ba“线性”gydF4y2Ba
  - SVMテンプレートオブジェクトまたはこのオブジェクトの细胞配列(gydF4y2BatemplateSVMgydF4y2Baを参照)gydF4y2Ba
  - 線形分類モデルテンプレートオブジェクトまたはこのオブジェクトの细胞配列(gydF4y2BatemplateLineargydF4y2Baを参照)gydF4y2Ba
- 预测gydF4y2BaとgydF4y2Ba更新gydF4y2Baに対してコーダーコンフィギュアラーを使用してコードを生成する場合,以下の追加制限がバイナリ学習器に適用されます。gydF4y2Ba
  - SVMテンプレートオブジェクトの细胞配列を使用する場合,SVM学習器のgydF4y2Ba“标准化”gydF4y2Baの値は一貫していなければなりません。たとえば,ある SVM 学習器に対して“标准化”,真的gydF4y2Baを指定した場合,すべてのSVM学習器に対して同じ値を指定しなければなりません。gydF4y2Ba
  - SVMテンプレートオブジェクトの细胞配列を使用し,あるSVM学習器では線形カーネル(gydF4y2Ba“KernelFunction”、“线性”gydF4y2Ba)を別のSVM学習器では異なるタイプのカーネル関数を使用する場合,線形カーネルの学習器に対してgydF4y2Ba“Save金宝appSupportVectors”gydF4y2Ba,真正的gydF4y2Baを指定しなければなりません。gydF4y2Ba
  詳細については,gydF4y2BaClassificationECOCCoderConfigurergydF4y2Baを参照してください。モデルを再学習させる際に変更できない名前と値のペアの引数の詳細については、ヒントgydF4y2Baを参照してください。gydF4y2Ba
- 支持向量机分類器と線形分類モデルのコード生成の制限は,選択したバイナリ学習器に応じてECOC分類器にも適用されます。詳細については,gydF4y2BaCompactClassificationSVMgydF4y2BaクラスのgydF4y2Baコード生成gydF4y2BaとgydF4y2Baコード生成gydF4y2BaクラスのgydF4y2BaClassificationLineargydF4y2Baを参照してください。gydF4y2Ba

詳細は,gydF4y2Baコード生成の紹介gydF4y2Baを参照してください。gydF4y2Ba

参考gydF4y2Ba

fitcecocgydF4y2Ba|gydF4y2BaCompactClassificationECOCgydF4y2Ba|gydF4y2BaClassificationPartitionedECOCgydF4y2Ba|gydF4y2BafitcsvmgydF4y2Ba

R2014bで導入gydF4y2Ba

ClassificationECOCgydF4y2Ba

説明gydF4y2Ba

作成gydF4y2Ba

プロパティgydF4y2Ba

ECOCのプロパティgydF4y2Ba

BinaryLearnersgydF4y2Ba- - - - - -gydF4y2Ba学習済みバイナリ学習器gydF4y2Baモデルオブジェクトの细胞ベクトルgydF4y2Ba

BinaryLossgydF4y2Ba- - - - - -gydF4y2Baバイナリ学習器損失関数gydF4y2Ba“binodeviance”gydF4y2Ba|gydF4y2Ba“指数”gydF4y2Ba|gydF4y2Ba“汉明”gydF4y2Ba|gydF4y2Ba“枢纽”gydF4y2Ba|gydF4y2Ba“线性”gydF4y2Ba|gydF4y2Ba分对数的gydF4y2Ba|gydF4y2Ba“二次”gydF4y2Ba

BinaryYgydF4y2Ba- - - - - -gydF4y2Baバイナリ学習器クラスラベルgydF4y2Ba数値行列gydF4y2Ba

BinEdgesgydF4y2Ba- - - - - -gydF4y2Ba数値予測子のビンのエッジgydF4y2Ba数値ベクトルの细胞配列gydF4y2Ba|gydF4y2Ba［］gydF4y2Ba

CodingMatrixgydF4y2Ba- - - - - -gydF4y2Baクラス割り当て符号gydF4y2Ba数値行列gydF4y2Ba

CodingNamegydF4y2Ba- - - - - -gydF4y2Ba符号化設計名gydF4y2Ba文字ベクトルgydF4y2Ba

LearnerWeightsgydF4y2Ba- - - - - -gydF4y2Baバイナリ学習器の重みgydF4y2Ba数値行ベクトルgydF4y2Ba

他の分類のプロパティgydF4y2Ba

CategoricalPredictorsgydF4y2Ba- - - - - -gydF4y2Baカテゴリカル予測子のインデックスgydF4y2Ba正の整数のベクトルgydF4y2Ba|gydF4y2Ba［］gydF4y2Ba

一会gydF4y2Ba- - - - - -gydF4y2Ba一意のクラスラベルgydF4y2Ba绝对配列gydF4y2Ba|gydF4y2Ba文字配列gydF4y2Ba|gydF4y2Ba逻辑ベクトルgydF4y2Ba|gydF4y2Ba数値ベクトルgydF4y2Ba|gydF4y2Ba文字ベクトルの细胞配列gydF4y2Ba

成本gydF4y2Ba- - - - - -gydF4y2Ba誤分類のコストgydF4y2Ba正方数値行列gydF4y2Ba

ExpandedPredictorNamesgydF4y2Ba- - - - - -gydF4y2Ba展開された予測子名gydF4y2Ba文字ベクトルの细胞配列gydF4y2Ba

ModelParametersgydF4y2Ba- - - - - -gydF4y2Baパラメーター値gydF4y2BaオブジェクトgydF4y2Ba

NumObservationsgydF4y2Ba- - - - - -gydF4y2Ba観測値の数gydF4y2Ba正の数値スカラーgydF4y2Ba

PredictorNamesgydF4y2Ba- - - - - -gydF4y2Ba予測子名gydF4y2Ba文字ベクトルの细胞配列gydF4y2Ba

之前gydF4y2Ba- - - - - -gydF4y2Ba前のクラスの確率gydF4y2Ba数値ベクトルgydF4y2Ba

ResponseNamegydF4y2Ba- - - - - -gydF4y2Ba応答変数名gydF4y2Ba文字ベクトルgydF4y2Ba

RowsUsedgydF4y2Ba- - - - - -gydF4y2Baあてはめに使用した行gydF4y2Ba［］gydF4y2Ba(既定値) |gydF4y2Ba逻辑ベクトルgydF4y2Ba

WgydF4y2Ba- - - - - -gydF4y2Ba観測値の重みgydF4y2Ba数値ベクトルgydF4y2Ba

XgydF4y2Ba- - - - - -gydF4y2Ba標準化されていない予測子データgydF4y2Ba数値行列gydF4y2Ba|gydF4y2BaテーブルgydF4y2Ba

YgydF4y2Ba- - - - - -gydF4y2Ba観測されたクラスラベルgydF4y2Ba绝对配列gydF4y2Ba|gydF4y2Ba文字配列gydF4y2Ba|gydF4y2Ba逻辑ベクトルgydF4y2Ba|gydF4y2Ba数値ベクトルgydF4y2Ba|gydF4y2Ba文字ベクトルの细胞配列gydF4y2Ba

ハイパーパラメーター最適化のプロパティgydF4y2Ba

HyperparameterOptimizationResultsgydF4y2Ba- - - - - -gydF4y2Baハイパーパラメーターの交差検証最適化gydF4y2BaBayesianOptimizationgydF4y2BaオブジェクトgydF4y2Ba|gydF4y2BaテーブルgydF4y2Ba

オブジェクト関数gydF4y2Ba

例gydF4y2Ba

支持向量机学習器を使用したマルチクラスモデルの学習gydF4y2Ba

ECOC分類器のバイナリ学習器のプロパティの調査gydF4y2Ba

ECOC分類器の交差検証gydF4y2Ba

詳細gydF4y2Ba

誤り訂正出力符号モデルgydF4y2Ba

符号化設計gydF4y2Ba

アルゴリズムgydF4y2Ba

ランダム符号化設計行列gydF4y2Ba

サポートベクターの保存gydF4y2Ba

代替機能gydF4y2Ba

参照gydF4y2Ba

拡張機能gydF4y2Ba

C / c++コード生成gydF4y2BaMATLAB®编码器™を使用してCおよびc++コードを生成します。gydF4y2Ba

参考gydF4y2Ba

统计和机器学习工具箱ドキュメンテーションgydF4y2Ba

サポートgydF4y2Ba

機械学習をマスターする:MATLABステップ・バイ・ステップガイドgydF4y2Ba

`BinaryLearnersgydF4y2Ba`- - - - - -gydF4y2Ba学習済みバイナリ学習器gydF4y2Ba
モデルオブジェクトの细胞ベクトルgydF4y2Ba

`BinaryYgydF4y2Ba`- - - - - -gydF4y2Baバイナリ学習器クラスラベルgydF4y2Ba
数値行列gydF4y2Ba

`BinEdgesgydF4y2Ba`- - - - - -gydF4y2Ba数値予測子のビンのエッジgydF4y2Ba
数値ベクトルの细胞配列gydF4y2Ba|gydF4y2Ba`［］gydF4y2Ba`

`CodingMatrixgydF4y2Ba`- - - - - -gydF4y2Baクラス割り当て符号gydF4y2Ba
数値行列gydF4y2Ba

`CodingNamegydF4y2Ba`- - - - - -gydF4y2Ba符号化設計名gydF4y2Ba
文字ベクトルgydF4y2Ba

`LearnerWeightsgydF4y2Ba`- - - - - -gydF4y2Baバイナリ学習器の重みgydF4y2Ba
数値行ベクトルgydF4y2Ba

`CategoricalPredictorsgydF4y2Ba`- - - - - -gydF4y2Baカテゴリカル予測子のインデックスgydF4y2Ba
正の整数のベクトルgydF4y2Ba|gydF4y2Ba`［］gydF4y2Ba`

`一会gydF4y2Ba`- - - - - -gydF4y2Ba一意のクラスラベルgydF4y2Ba
绝对配列gydF4y2Ba|gydF4y2Ba文字配列gydF4y2Ba|gydF4y2Ba逻辑ベクトルgydF4y2Ba|gydF4y2Ba数値ベクトルgydF4y2Ba|gydF4y2Ba文字ベクトルの细胞配列gydF4y2Ba

`成本gydF4y2Ba`- - - - - -gydF4y2Ba誤分類のコストgydF4y2Ba
正方数値行列gydF4y2Ba

`ExpandedPredictorNamesgydF4y2Ba`- - - - - -gydF4y2Ba展開された予測子名gydF4y2Ba
文字ベクトルの细胞配列gydF4y2Ba

`ModelParametersgydF4y2Ba`- - - - - -gydF4y2Baパラメーター値gydF4y2Ba
オブジェクトgydF4y2Ba

`NumObservationsgydF4y2Ba`- - - - - -gydF4y2Ba観測値の数gydF4y2Ba
正の数値スカラーgydF4y2Ba

`PredictorNamesgydF4y2Ba`- - - - - -gydF4y2Ba予測子名gydF4y2Ba
文字ベクトルの细胞配列gydF4y2Ba

`之前gydF4y2Ba`- - - - - -gydF4y2Ba前のクラスの確率gydF4y2Ba
数値ベクトルgydF4y2Ba

`ResponseNamegydF4y2Ba`- - - - - -gydF4y2Ba応答変数名gydF4y2Ba
文字ベクトルgydF4y2Ba

`RowsUsedgydF4y2Ba`- - - - - -gydF4y2Baあてはめに使用した行gydF4y2Ba
`［］gydF4y2Ba`(既定値) |gydF4y2Ba逻辑ベクトルgydF4y2Ba

`WgydF4y2Ba`- - - - - -gydF4y2Ba観測値の重みgydF4y2Ba
数値ベクトルgydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba標準化されていない予測子データgydF4y2Ba
数値行列gydF4y2Ba|gydF4y2BaテーブルgydF4y2Ba

`YgydF4y2Ba`- - - - - -gydF4y2Ba観測されたクラスラベルgydF4y2Ba
绝对配列gydF4y2Ba|gydF4y2Ba文字配列gydF4y2Ba|gydF4y2Ba逻辑ベクトルgydF4y2Ba|gydF4y2Ba数値ベクトルgydF4y2Ba|gydF4y2Ba文字ベクトルの细胞配列gydF4y2Ba

`HyperparameterOptimizationResultsgydF4y2Ba`- - - - - -gydF4y2Baハイパーパラメーターの交差検証最適化gydF4y2Ba
`BayesianOptimizationgydF4y2Ba`オブジェクトgydF4y2Ba|gydF4y2BaテーブルgydF4y2Ba

C / c++コード生成gydF4y2Ba
MATLAB®编码器™を使用してCおよびc++コードを生成します。gydF4y2Ba