NLPのデ，タセットを読み込みます。

负载nlpdata

Xは予測子デ，タのスパ，ス行列，Yはクラスラベルの分类ベクトルです。デタには2を超えるクラスがあります。

モデルでは,あるWebページの単語数が统计和机器学习工具箱™ドキュメンテーションによるものであるかどうかを識別できなければなりません。したがって、统计和机器学习工具箱™のドキュメンテーションWebページに対応するラベルを識別します。

Ystats = Y ==“统计数据”；

あるドキュメンテーションWebページの単語数が统计和机器学习工具箱™ドキュメンテーションによるものであるかどうかを識別できるバイナリ線形分類モデルに学習をさせます。観測値の30%をホ，ルドアウトするように指定します。SpaRSAを使用して目的関数を最適化します。

rng (1);%用于再现性CVMdl = fitclinear(X,Ystats，“规划求解”，“sparsa”，“坚持”, 0.30);CMdl = cvmdl .训练{1};

CVMdlはClassificationPartitionedLinearモデルです。これには训练有素的プロパティが含まれています。これは1行1列のcell配列で，学習セットにより学習させたClassificationLinearモデルが格納されています。

学習デ，タと検定デ，タを分割の定義から抽出します。

trainIdx = training(CVMdl.Partition);testdx = test(CVMdl.Partition);

学習標本および検定標本の分類誤差を推定します。

ceTrain = loss(CMdl,X(trainIdx，:)，Ystats(trainIdx))

ceTrain = 1.3572e-04

CMdl,X(testdx，:)，Ystats(testdx))

ceTest = 5.2804e-04

CMdl内の正則化強度は1なので，ceTrainとcet(中央东部东京)は数値スカラ，になります。

NLPのデ，タセットを読み込みます。検定標本の分類損失の推定で説明されているようにデ，タを前処理し，予測子デ，タを転置します。

负载nlpdataYstats = Y ==“统计数据”；X = X';

バ@ @ナリ線形分類モデルに学習をさせます。観測値の30%をホ，ルドアウトするように指定します。SpaRSAを使用して目的関数を最適化します。予測子の観測値が列に対応することを指定します。

rng (1);%用于再现性CVMdl = fitclinear(X,Ystats，“规划求解”，“sparsa”，“坚持”, 0.30,.．.“ObservationsIn”，“列”）;CMdl = cvmdl .训练{1};

CVMdlはClassificationPartitionedLinearモデルです。これには训练有素的プロパティが含まれています。これは1行1列のcell配列で，学習セットにより学習させたClassificationLinearモデルが格納されています。

学習デ，タと検定デ，タを分割の定義から抽出します。

trainIdx = training(CVMdl.Partition);testdx = test(CVMdl.Partition);

次の線形損失を評価する無名関数を作成します。

$$w_j$$は観測値jの重み， $$y_j$$は応答j(陰性クラスの場合は-1，それ以外の場合は1)， $$f_j$$は観測値jの生の分類スコアです。カスタム損失関数は特定の形式で記述しなければなりません。カスタム損失関数の記述に関するルルにいては，名前と値のペアの引数LossFunを参照してください。

linearloss = @ (C、S、W、成本)和(- W。*总和(S . C * 2) / (W)之和;

線形損失関数を使用して，学習標本および検定標本の分類損失を推定します。

ceTrain = loss(CMdl,X(:，trainIdx)，Ystats(trainIdx)，“LossFun”linearloss,.．.“ObservationsIn”，“列”）

ceTrain = -7.8330

ceTest = loss(CMdl,X(:， testdx)，Ystats(testdx)，“LossFun”linearloss,.．.“ObservationsIn”，“列”）

ceTest = -7.7383

ロジスティック回帰学習器を使用する線形分類モデルに適した套索ペナルティの強度を決定するため,検定標本の分類誤差率を比較します。

NLPのデ，タセットを読み込みます。カスタムな分類損失の指定で説明されているようにデ，タを前処理します。

负载nlpdataYstats = Y ==“统计数据”；X = X';rng (10);%用于再现性分区= cvpartition(Ystats，“坚持”, 0.30);testdx = test(分区);XTest = X(:， testdx);YTest = Ystats(testdx);

$$10^{-6}$$～ $$10^{-0．5}$$の範囲で対数間隔で配置された11個の正則化強度を作成します。

Lambda = logspace(-6，-0.5,11);

各正則化強度を使用するバ@ @ナリ線形分類モデルに学習をさせます。SpaRSAを使用して目的関数を最適化します。目的関数の勾配の許容誤差を1 e-8に下げます。

CVMdl = fitclinear(X,Ystats，“ObservationsIn”，“列”，.．.“CVPartition”分区,“学习者”，“物流”，“规划求解”，“sparsa”，.．.“正规化”，“套索”，“λ”λ,“GradientTolerance”1 e-8)

CVMdl = ClassificationPartitionedLinear CrossValidatedModel: 'Linear' ResponseName: 'Y' NumObservations: 31572 KFold: 1 Partition: [1x1 cvpartition] ClassNames: [0 1] ScoreTransform: 'none'属性，方法

学習済みの線形分類モデルを抽出します。

Mdl = CVMdl。训练有素的{1}

Mdl = ClassificationLinear ResponseName: 'Y' ClassNames: [0 1] ScoreTransform: 'logit' Beta: [34023x11 double]偏差:[-12.0872 -12.0872 -12.0872 -12.0872 -12.0872 -12.0872…[Lambda: [1.0000e-06 3.5481e-06 1.2589e-05 4.4668e-05…]学习者:“逻辑”属性，方法

MdlはClassificationLinearモデルオブジェクトです。λは正則化強度のシ，ケンスなので，Mdlはそれぞれがλの各正則化強度に対応する11個のモデルであると考えることができます。

検定標本の分類誤差を推定します。

ce = loss(Mdl,X(:， testdx)，Ystats(testdx)，“ObservationsIn”，“列”）;

11個の正則化強度があるので，ceは1行11列の分類誤差率のベクトルです。

λの値が大きくなると，予測子変数がスパ，スになります。これは分類器の品質として優れています。データセット全体を使用し,モデルの交差検証を行ったときと同じオプションを指定して,各正則化強度について線形分類モデルに学習をさせます。モデルごとに非ゼロの係数を特定します。

Mdl = fitclinear(X,Ystats，“ObservationsIn”，“列”，.．.“学习者”，“物流”，“规划求解”，“sparsa”，“正规化”，“套索”，.．.“λ”λ,“GradientTolerance”1 e-8);numNZCoeff = sum(Mdl.Beta~=0);

同じ図に，各正則化強度にいての検定標本の誤差率と非ゼロ係数の頻度をプロットします。すべての変数を対数スケ，ルでプロットします。

图;[h,hL1,hL2] = plotyy(log10(Lambda)，log10(ce)，.．.log10(Lambda)，log10(numNZCoeff + 1));hL1。标志=“o”；hL2。标志=“o”；ylabel (h (1),'log_{10}分类错误') ylabel (h (2),'log_{10}非零系数频率')包含(“log_{10}λ的)标题(测试样本统计的)举行从

予測子変数のスパス性と分類誤差の低さのバランスがとれている正則化強度のンデックスを選択します。この場合， $$10^{-4}$$～ $$10^{-1}$$の値で十分なはずです。

idxFinal = 7;

選択した正則化強度のモデルをMdlから選択します。

MdlFinal = selectModels(Mdl,idxFinal);

MdlFinalは，1の正則化強度が含まれているClassificationLinearモデルです。新しい観測値のラベルを推定するには，MdlFinalと新しいデ，タを预测に渡します。