fitPosterior
サポ，トベクタ，マシン(svm)分類器の事後確率の当てはめ
構文
説明
ScoreSVMModel= fitPosterior (SVMModel）ScoreSVMModelを返します。詳細は，アルゴリズムを参照してください。
［は，スコアから事後確率への最適な変換関数のパラメ，タ，をさらに返します。ScoreSVMModel，ScoreTransform= fitPosterior(SVMModel）
［は，1以上の名前と値のペアの引数によって指定された追加オプションを使用します。たとえば，分割数やホ，ルドアウト標本比率を指定できます。ScoreSVMModel，ScoreTransform= fitPosterior(SVMModel，名称,值）
例
支持向量机分類器の標本内事後確率の推定
电离层デ，タセットを読み込みます。このデタセットには，レダ反射にいての34個の予測子と，不良(“b”)または良好(‘g’)という351個の二項反応が含まれています。
负载<年代pan style="color:#A020F0">电离层
サポ，トベクタ，マシン(svm)分類器に学習させます。デ，タを標準化し，‘g’が陽性クラスであることを指定します。
SVMModel = fitcsvm(X,Y，<年代pan style="color:#A020F0">“类名”, {<年代pan style="color:#A020F0">“b”，<年代pan style="color:#A020F0">‘g’}，<年代pan style="color:#A020F0">“标准化”,真正的);
SVMModelはClassificationSVM分類器です。
スコアから事後確率への最適な変換関数パラメ，タ，を近似します。
rng (1);<年代pan style="color:#228B22">%用于再现性ScoreSVMModel = fitPosterior(vmmodel)
ScoreSVMModel = ClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: '@(S)sigmoid(S，-9.482430e-01，-1.217774e-01)' NumObservations: 351 Alpha: [90x1 double] Bias: -0.1342 KernelParameters: [1x1 struct] Mu:[0.8917 0 0.6413 0.0444 0.6011 0.1159 0.5501…]西格玛:[0.3112 0 0.4977 0.4414 0.5199 0.4608 0.4927…] BoxConstraints: [351x1 double] ConvergenceInfo: [1x1 struct] Is金宝appSupportVector: [351x1 logical]求解器:“SMO”属性，方法
クラスは不可分であるため、スコア変換関数(ScoreSVMModel。ScoreTransform)はシグモleiド関数です。
学習デ，タのスコアと陽性のクラスの事後確率を推定します。最初の10件の観測の結果を表示します。
[label,scores] = resubPredict(SVMModel);[~，postProbs] = resubPredict(ScoreSVMModel);表(Y(1:10),标签(1:10),分数(1:10),2),postProbs (1:10), 2),<年代pan style="color:#A020F0">“VariableNames”，<年代pan style="color:#0000FF">.．.｛<年代pan style="color:#A020F0">“TrueLabel”，<年代pan style="color:#A020F0">“PredictedLabel”，<年代pan style="color:#A020F0">“分数”，<年代pan style="color:#A020F0">“PosteriorProbability”})
ans =<年代pan class="emphasis">10×4表TrueLabel PredictedLabel得分PosteriorProbability _________ ______________ _______ ____________________ {' 1.4862 - 0.82216 g’}{‘g’}{b} {b} -1.0003 - 0.30433{‘g’}{‘g’}1.8685 - 0.86917 {b} {b} -2.6457 - 0.084171{‘g’}{‘g’}1.2807 - 0.79186 {b} {b} -1.4616 - 0.22025{‘g’}{‘g’}2.1674 - 0.89816 {b} {b} -5.7085 - 0.00501{‘g’}{‘g’}2.4798 - 0.92224 {b} {b} -2.7812 - 0.074781
複数クラスの事後確率等高線のプロット
1対他(卵子)分類のプロセスを通してマルチクラスSVM分類器に学習をさせてから,各クラスについて確率の等高線をプロットします。Ovaを直接実装するには，fitcecocを参照してください。
フィッシャ，のアヤメのデ，タセットを読み込みます。花弁の長さと幅を予測子デ，タとして使用します。
负载<年代pan style="color:#A020F0">fisheririsX = meas(:，3:4);Y =物种;
デ，タの散布図を調べます。
图gscatter (X (: 1), (:, 2), Y);标题(<年代pan style="color:#A020F0">“{\bf虹膜测量散点图}”）;包含(<年代pan style="color:#A020F0">“花瓣长度”）;ylabel (<年代pan style="color:#A020F0">“花瓣宽度”）;传奇(<年代pan style="color:#A020F0">“位置”，<年代pan style="color:#A020F0">“西北”）;轴<年代pan style="color:#A020F0">紧
それぞれの種類アヤメを他から分離する3のバナリSVM分類器に学習をさせます。放射基底関数がそれぞれに対する適切なカーネルであると仮定し,アルゴリズムがカーネルスケールを選択できるようにします。クラスの順序を定義します。
classNames = {<年代pan style="color:#A020F0">“setosa”；<年代pan style="color:#A020F0">“virginica”；<年代pan style="color:#A020F0">“多色的”};numClasses = size(classNames,1);Inds = cell(3,1);<年代pan style="color:#228B22">%预先配置SVMModel = cell(3,1);rng (1);<年代pan style="color:#228B22">%用于再现性为j = 1:numClasses inds{j} = strcmp(Y,classNames{j});<年代pan style="color:#228B22">% OVA分类SVMModel{j} = fitcsvm(X,inds{j}，<年代pan style="color:#A020F0">“类名”(虚假的真实),<年代pan style="color:#0000FF">.．.“标准化”,真的,<年代pan style="color:#A020F0">“KernelFunction”，<年代pan style="color:#A020F0">“rbf”，<年代pan style="color:#A020F0">“KernelScale”，<年代pan style="color:#A020F0">“汽车”）;<年代pan style="color:#0000FF">结束
fitcsvmはヒュ，リスティック手法を使用し，副標本抽出によってカ，ネルスケ，ルの値を計算します。
各分類器のスコアから事後確率への最適な変換関数パラメ，タ，を近似します。
为j = 1:numClasses SVMModel{j} = fitPosterior(SVMModel{j});<年代pan style="color:#0000FF">结束
警告:类是完全分离的。最优分数-后验变换是一个阶跃函数。
事後確率等高線をプロットするためのグリッドを定義します。各分類器のグリッド上での事後確率を推定します。
D = 0.02;[x1Grid, x2Grid] = meshgrid (min (X (: 1)): d:马克斯(X (: 1))<年代pan style="color:#0000FF">.．.min (X (:, 2)): d:马克斯(X (:, 2)));xGrid = [x1Grid(:)，x2Grid(:)];后验=细胞(3,1);<年代pan style="color:#0000FF">为j = 1:numClasses [~，posterior{j}] = predict(SVMModel{j}，xGrid);<年代pan style="color:#0000FF">结束
支持向量机分類器ごとに，デ，タの散布図の下に事後確率等高線をプロットします。
图h = 0 (numClasses + 1,1);<年代pan style="color:#228B22">%图形句柄的预分配为j = 1:numClasses subplot(2,2,j) contourf(x1Grid,x2Grid，重塑(后验{j}(:，2)，size(x1Grid,1)，size(x1Grid,2)));持有<年代pan style="color:#A020F0">在h(1:numClasses) = gscatter(X(:，1)，X(:，2)，Y);标题(sprintf (<年代pan style="color:#A020F0">' %s类的后验'{j}),类名);包含(<年代pan style="color:#A020F0">“花瓣长度”）;ylabel (<年代pan style="color:#A020F0">“花瓣宽度”）;传说<年代pan style="color:#A020F0">从轴<年代pan style="color:#A020F0">紧持有<年代pan style="color:#A020F0">从结束h(numClasses + 1) = colorbar(<年代pan style="color:#A020F0">“位置”，<年代pan style="color:#A020F0">“EastOutside”，<年代pan style="color:#0000FF">.．.“位置”, [[0.8, 0.1, 0.05, 0.4]]);set(get(h(numClasses + 1))，<年代pan style="color:#A020F0">“YLabel”)，<年代pan style="color:#A020F0">“字符串”，<年代pan style="color:#A020F0">“后”，<年代pan style="color:#A020F0">“字形大小”16);传奇(h (1: numClasses),<年代pan style="color:#A020F0">“位置”, 0.6, 0.2, 0.1, 0.1);
ホ，ルドアウト交差検証の使用による最適な事後確率関数の当てはめ
支持向量机分類器に学習をさせた後で，スコアから事後確率への変換関数を推定します。推定時に交差検証を使用してバイアスを減らし,10分割交差検証とホールドアウト交差検証の実行時間を比較します。
电离层デ，タセットを読み込みます。
负载<年代pan style="color:#A020F0">电离层
支持向量机分類器を学習させます。デ，タを標準化し，‘g’が陽性クラスであることを指定します。
SVMModel = fitcsvm(X,Y，<年代pan style="color:#A020F0">“类名”, {<年代pan style="color:#A020F0">“b”，<年代pan style="color:#A020F0">‘g’}，<年代pan style="color:#A020F0">“标准化”,真正的);
SVMModelはClassificationSVM分類器です。
スコアから事後確率への最適な変換関数パラメ，タ，を近似します。10分割交差検証 (既定) の場合と 10% のホールドアウト検定標本を使用した場合の実行時間を比較します。
rng (1);<年代pan style="color:#228B22">%用于再现性抽搐;<年代pan style="color:#228B22">%启动秒表SVMModel_10FCV = fitPosterior(SVMModel);toc<年代pan style="color:#228B22">停止秒表并显示运行时间
运行时间为0.773700秒。
抽搐;SVMModel_HO = fitPosterior(<年代pan style="color:#A020F0">“坚持”, 0.10);toc
运行时间为0.136289秒。
デタセットが比較的小さいため実行時間はどらも短くなりますが，SVMModel_HOはSVMModel_10FCVよりはるかに速くスコア変換関数を当てはめます。（既定の 10 分割交差検証ではなく) ホールドアウト交差検証を指定すると、大規模なデータセットの場合の実行時間を短くすることができます。
入力引数
出力引数
詳細
ヒント
以下は，陽性クラスの事後確率を予測する方法の1です。
デタを
fitcsvmに渡し，svm分類器を学習させます。この結果，SVMModelなどの学習済みSVM分類器が生成され，デ，タが格納されます。スコア変換関数プロパティ(SVMModel。ScoreTransformation)が没有一个に設定されます。学習させた支持向量机分類器
SVMModelをfitSVMPosteriorまたはfitPosteriorに渡します。結果(たとえばScoreSVMModel)はSVMModelと同じ学習済みSVM分類器ですが，最適なスコア変換関数がScoreSVMModel。ScoreTransformationとして設定される点が異なります。最適なスコア変換関数が格納されている学習済み支持向量机分類器(
ScoreSVMModel)と予測子デ，タ行列を预测に渡します。预测の2番目の出力引数の2列目には,予測子データ行列の各行に対応する陽性クラスの事後確率が格納されます。手順2を省略した場合，
预测は陽性のクラスの事後確率ではなく，陽性のクラスのスコアを返します。
事後確率を当てはめた後で，新しいデタにいてラベルを予測するc / c++コドを生成できます。C/ c++コ，ドの生成には<年代pan>MATLAB<年代up>®编码器™が必要です。詳細については、コ，ド生成の紹介を参照してください。
アルゴリズム
[1]で説明されているように，svm分類器SVMModelを使用し，保存されている予測子デ，タ(SVMModel。X)およびクラスラベル(SVMModel。Y)によって10分割交差検証を実行することにより,スコアから事後確率への適切な変換関数が当てはめられます。この変換関数は、観測値が陽性のクラス(SVMModel.Classnames (2))に分類される事後確率を計算します。
スコアから事後確率への変換関数を再度推定した場合，化学式まり，ScoreTransformプロパティが没有一个ではない支持向量机分類器をfitPosteriorまたはfitSVMPosteriorに渡した場合は，以下の処理が実行されます。
警告が表示されます。
新しい変換関数を推定する前に，元の変換関数が
“没有”にリセットされます。
代替機能
事後確率関数は，関数fitSVMPosteriorを使用して当てはめることもできます。この関数はfitPosteriorに似ていますが，使用できるSVM分類器の種類が多いので広範囲であるという点が異なります。
参照
[1] Platt, J.“支持向量机的概率输出和与正则似然方法的比较”。金宝app大裕度分类器的研究进展。马萨诸塞州剑桥:麻省理工学院出版社，2000年，第61-74页。
拡張機能
バ，ジョン履歴
R2014aで導入
参考
ClassificationSVM|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">预测|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">fitSVMPosterior|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">fitcsvm
您也可以从以下列表中选择一个网站: