このページの翻訳は最新ではありません。ここをクリックして,英語の最新版を参照してください。gydF4y2Ba
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
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
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
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
BinaryLearnersgydF4y2Ba
- - - - - -gydF4y2Ba学習済みバイナリ学習器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gydF4y2BajgydF4y2Ba は,観測値gydF4y2BakgydF4y2Ba を陰性クラスに割り当てます。gydF4y2Ba |
0gydF4y2Ba |
学習の前に,学習器gydF4y2BajgydF4y2Ba は観測値gydF4y2BakgydF4y2Ba をデータセットから削除します。gydF4y2Ba |
1gydF4y2Ba |
学習器gydF4y2BajgydF4y2Ba は,観測値gydF4y2BakgydF4y2Ba 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[]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
XbinnedgydF4y2Ba
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gydF4y2BajgydF4y2Ba 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gydF4y2BajgydF4y2Ba 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gydF4y2BajgydF4y2Ba 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 |
データ型:gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba单gydF4y2Ba
|gydF4y2Baint8gydF4y2Ba
|gydF4y2Baint16gydF4y2Ba
|gydF4y2Baint32gydF4y2Ba
|gydF4y2Baint64gydF4y2Ba
CodingNamegydF4y2Ba
- - - - - -gydF4y2Ba符号化設計名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
CategoricalPredictorsgydF4y2Ba
- - - - - -gydF4y2Baカテゴリカル予測子のインデックス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
データ型:gydF4y2Ba分类gydF4y2Ba
|gydF4y2Ba字符gydF4y2Ba
|gydF4y2Ba逻辑gydF4y2Ba
|gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba细胞gydF4y2Ba
成本gydF4y2Ba
- - - - - -gydF4y2Ba誤分類のコスト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gydF4y2BaECOC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gydF4y2BaClassificationECOCgydF4y2Ba
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 + egydF4y2Ba2 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gydF4y2BaECOC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gydF4y2BaECOC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gydF4y2BaECOC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
データ型:gydF4y2Ba分类gydF4y2Ba
|gydF4y2Ba字符gydF4y2Ba
|gydF4y2Ba逻辑gydF4y2Ba
|gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba细胞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 |
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 |
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
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
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。
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
“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。
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gydF4y2BalgydF4y2Ba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 )に割り当てられます。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 |
2gydF4y2BaK - 1gydF4y2Ba- 1gydF4y2Ba | 2gydF4y2BaK - 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 |
(3gydF4y2BaKgydF4y2Ba- 2gydF4y2BaK + 1gydF4y2Ba+ 1) / 2gydF4y2Ba |
3.gydF4y2BaK - 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gydF4y2Ba2gydF4y2BaKgydF4y2Ba |
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gydF4y2Ba2gydF4y2BaKgydF4y2Ba |
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
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
密なランダム- K行LgydF4y2BadgydF4y2Ba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 です。gydF4y2Ba
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 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
ここで,mgydF4y2BakgydF4y2BajgydF4y2BalgydF4y2Baは符号化設計行列jの要素です。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
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
[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
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
を指定しなければなりません。gydF4y2Ba“Save金宝appSupportVectors”gydF4y2Ba
,真正的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
fitcecocgydF4y2Ba
|gydF4y2BaCompactClassificationECOCgydF4y2Ba
|gydF4y2BaClassificationPartitionedECOCgydF4y2Ba
|gydF4y2BafitcsvmgydF4y2Ba
この例の変更されたバージョンがあります。編集された方の例を開きますか吗?gydF4y2Ba
次のMATLABコマンドに対応するリンクがクリックされました。gydF4y2Ba
コマンドをMATLABコマンドウィンドウに入力して実行してください。WebブラウザーはMATLABコマンドをサポートしていません。gydF4y2Ba
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:gydF4y2Ba.gydF4y2Ba
选择gydF4y2Ba网站gydF4y2Ba你也可以从以下列表中选择一个网站:gydF4y2Ba
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。gydF4y2Ba