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。

あるドキュメンテーションWebページがどのMATLAB®ツールボックスによるものであるかをページの単語数に基づいて識別できるマルチクラスの線形分類モデルを交差検証します。

rng (1);%用于再现性CVMdl = fitcecoc(X,Y，“学习者”，“线性”，“CrossVal”，“上”）

CVMdl = ClassificationPartitionedLinearECOC CrossValidatedModel: 'LinearECOC' ResponseName: 'Y' NumObservations: 31572 KFold: 10 Partition: [1x1 cvpartition] ClassNames: [comm dsp ecoder fixedpoint…]属性，方法

CVMdlは,ClassificationPartitionedLinearECOC交差検証済みモデルです。既定の設定ではfitcecocは10分割の交差検証を実装するので，CVMdl。训练有素的には10個のCompactClassificationECOCモデルが含まれている10行1列の细胞ベクトルが格納されており,これらのモデルにはバイナリ線形分類モデルから構成されるECOCモデルの学習を各分割について行った結果が格納されています。

CVMdlをkfoldPredictに渡して分割外観測値のラベルを推定し，kfoldLossに渡して汎化誤差を推定します。

oofLabels = kfoldPredict(CVMdl);ge = kfoldLoss(cvdl)

Ge = 0.0958

推定された汎化誤差は，誤分類観測値の約10%です。

汎化誤差を改善するには，他のソルバ，(lbfgsなど)を試します。線形分類モデルから構成されるecocモデルに学習をさせるときの既定オプションを変更するには，templateLinearを使用して線形分類モデルテンプレ，トを作成し，このテンプレ，トをfitcecocに渡します。

ロジスティック回帰学習器を使用する線形分類モデルから構成されるECOCモデルに適した套索ペナルティの強度を決定するため,5分割の交差検証を実装します。

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。

簡単にするため，“金宝app模型”、“dsp”、“通讯”のいずれでもないYの観測値すべてに対して“其他人”というラベルを使用します。

Y (~ (ismember (Y, {“金宝app模型”，“dsp”，“通讯”}))) =“别人”；

$$10^{-7}$$～ $$10^{-2}$$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(-7，-2,11);

ロジスティック回帰学習器を使用するように指定する線形分類モデルテンプレ，トを作成し，λの強度をもつ套索ペナルティを使用し,SpaRSAを使用して学習させ,目的関数の勾配の許容誤差を1 e-8に下げます。

t = templatlinear (“学习者”，“物流”，“规划求解”，“sparsa”，.．.“正规化”，“套索”，“λ”λ,“GradientTolerance”1 e-8);

モデルを交差検証します。実行速度を向上させるため，予測子デ，タを転置し，観測値が列単位であることを指定します。

X = X';rng (10);%用于再现性CVMdl = fitcecoc(X,Y，“学习者”t“ObservationsIn”，“列”，“KFold”5);

CVMdlはClassificationPartitionedLinearECOCモデルです。

CVMdlおよび格納されている各モデルを分析します。

numECOCModels = nummel (CVMdl.Trained)

numECOCModels = 5

ECOCMdl1 = CVMdl。训练有素的{1}

ECOCMdl1 = CompactClassificationECOC ResponseName: 'Y' ClassNames: [comm dsp 金宝appsimulink others] ScoreTransform: 'none' BinaryLearners: {6×1 cell} CodingMatrix: [4×6 double]属性，方法

numCLModels = nummel (ECOCMdl1.BinaryLearners)

numCLModels = 6

CLMdl1 = ECOCMdl1。BinaryLearners {1}

CLMdl1 = ClassificationLinear ResponseName: 'Y' ClassNames: [-1 1] ScoreTransform: 'logit' Beta: [34023×11 double]偏差:[-0.3169 -0.3169 -0.3168 -0.3168 -0.3168 -0.3167 -0.1725 -0.0805 -0.1762 -0.3450 -0.5174]Lambda: [1.0000e-07 3.1623e-07 1.0000e-06 3.1623e-05 1.0000e-04 3.1623e-04 1.0000e-03 0.0032 0.0100]学习者:'logistic'属性，方法

fitcecocは5分割の交差検証を実装するので，各分割にいて学習させるCompactClassificationECOCモデルから構成される5行1列のcell配列がCVMdlに格納されます。各CompactClassificationECOCモデルのBinaryLearnersプロパティにはClassificationLinearモデルが格納されます。各コンパクト ECOC モデル内のClassificationLinearモデルの数は，それぞれのラベルの数と符号化設計によって決まります。λは正則化強度のシ，ケンスなので，CLMdl1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。

各正則化強度について5分割分類誤差の平均をプロットすることにより,モデルがどの程度一般化を行うかを判断します。グリッド全体で汎化誤差を最小化する正則化強度を特定します。

ce = kfoldLoss(CVMdl);图;plot(log10(Lambda)，log10(ce)) [~，minCEIdx] = min(ce);minLambda = Lambda(minCEIdx);持有在情节(log10 (minLambda) log10 (ce (minCEIdx)),“罗”）;ylabel ('log_{10} 5倍分类错误')包含(“log_{10}λ的)传说(MSE的，“最小分类错误”)举行从

データセット全体を使用して線形分類モデルから構成されるECOCモデルに学習をさせ,最小の正則化強度を指定します。

t = templatlinear (“学习者”，“物流”，“规划求解”，“sparsa”，.．.“正规化”，“套索”，“λ”minLambda,“GradientTolerance”1 e-8);MdlFinal = fitcecoc(X,Y，“学习者”t“ObservationsIn”，“列”）;

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。