kfoldLossgydF4y2Ba

未用于训练的观察结果的分类损失gydF4y2Ba

语法gydF4y2Ba

L = kfoldLoss(cvdl)gydF4y2Ba

L = kfoldLoss(CVMdl,Name,Value)gydF4y2Ba

描述gydF4y2Ba

lgydF4y2Ba= kfoldLoss (gydF4y2BaCVMdlgydF4y2Ba）gydF4y2Ba返回交叉验证的gydF4y2Ba分类错误gydF4y2Ba由线性分类模型组成的交叉验证纠错输出码(ECOC)模型估计的概率gydF4y2BaCVMdlgydF4y2Ba．也就是说，对于每一次折叠，gydF4y2BakfoldLossgydF4y2Ba估计它在使用所有其他观测值训练时所提供的观测值的分类错误率。gydF4y2BakfoldLossgydF4y2Ba应用与create相同的数据gydF4y2BaCVMdlgydF4y2Ba(见gydF4y2BafitcecocgydF4y2Ba)．gydF4y2Ba

lgydF4y2Ba包含组成的线性分类模型中每个正则化强度的分类损失gydF4y2BaCVMdlgydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

lgydF4y2Ba= kfoldLoss (gydF4y2BaCVMdlgydF4y2Ba，gydF4y2Ba名称,值gydF4y2Ba）gydF4y2Ba使用一个或多个指定的其他选项gydF4y2Ba名称,值gydF4y2Ba对参数。例如，指定一个解码方案，用于损耗计算或冗长级别的折叠。gydF4y2Ba

输入参数gydF4y2Ba

全部展开gydF4y2Ba

`CVMdlgydF4y2Ba`- - - - - -gydF4y2Ba交叉验证，ECOC模型由线性分类模型组成gydF4y2Ba
`ClassificationPartitionedLinearECOCgydF4y2Ba`模型对象gydF4y2Ba

交叉验证，ECOC模型由线性分类模型组成，指定为agydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba模型对象。您可以创建gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba模型使用gydF4y2BafitcecocgydF4y2Ba和:gydF4y2Ba

指定交叉验证、名值对参数中的任意一个，例如，gydF4y2BaCrossValgydF4y2Ba
设置名称-值对参数gydF4y2Ba学习者gydF4y2Ba来gydF4y2Ba“线性”gydF4y2Ba或返回的线性分类模型模板gydF4y2BatemplateLineargydF4y2Ba

为了获得估计，kfoldLoss应用用于交叉验证ECOC模型的相同数据(gydF4y2BaXgydF4y2Ba而且gydF4y2BaYgydF4y2Ba)．gydF4y2Ba

名称-值参数gydF4y2Ba

指定可选参数对为gydF4y2BaName1 = Value1,…,以=家gydF4y2Ba,在那里gydF4y2Ba的名字gydF4y2Ba参数名称和gydF4y2Ba价值gydF4y2Ba对应的值。名称-值参数必须出现在其他参数之后，但对的顺序无关紧要。gydF4y2Ba

在R2021a之前，使用逗号分隔每个名称和值，并将其括起来gydF4y2Ba的名字gydF4y2Ba在报价。gydF4y2Ba

`BinaryLossgydF4y2Ba`- - - - - -gydF4y2Ba二元学习器损失函数gydF4y2Ba
`“汉明”gydF4y2Ba`|gydF4y2Ba`“线性”gydF4y2Ba`|gydF4y2Ba`分对数的gydF4y2Ba`|gydF4y2Ba`“指数”gydF4y2Ba`|gydF4y2Ba`“binodeviance”gydF4y2Ba`|gydF4y2Ba`“枢纽”gydF4y2Ba`|gydF4y2Ba`“二次”gydF4y2Ba`|gydF4y2Ba函数处理gydF4y2Ba

二元学习器损失函数，指定为逗号分隔的对，由gydF4y2Ba“BinaryLoss”gydF4y2Ba和内置的损失函数名或函数句柄。gydF4y2Ba

该表包含内置函数的名称和描述，其中gydF4y2BaygydF4y2Ba_jgydF4y2Ba是特定二元学习器的类标签(在集合{-1,1,0}中)，gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba这是观察分数吗gydF4y2BajgydF4y2Ba,gydF4y2BaggydF4y2Ba（gydF4y2BaygydF4y2Ba_jgydF4y2Ba，gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba)为二值损失公式。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba	分数域gydF4y2Ba	ggydF4y2Ba（gydF4y2BaygydF4y2Ba_jgydF4y2Ba，gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba）gydF4y2Ba
`“binodeviance”gydF4y2Ba`	二项异常gydF4y2Ba	(-∞∞)gydF4y2Ba	Log [1 + exp(-2gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba日志(2)])]/ [2gydF4y2Ba
`“指数”gydF4y2Ba`	指数gydF4y2Ba	(-∞∞)gydF4y2Ba	exp (-gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba) / 2gydF4y2Ba
`“汉明”gydF4y2Ba`	汉明gydF4y2Ba	[0,1]或(-∞，∞)gydF4y2Ba	[1 -符号(gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba) / 2gydF4y2Ba
`“枢纽”gydF4y2Ba`	铰链gydF4y2Ba	(-∞∞)gydF4y2Ba	马克斯(0,1 -gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba) / 2gydF4y2Ba
`“线性”gydF4y2Ba`	线性gydF4y2Ba	(-∞∞)gydF4y2Ba	(1 -gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba) / 2gydF4y2Ba
`分对数的gydF4y2Ba`	物流gydF4y2Ba	(-∞∞)gydF4y2Ba	Log [1 + exp(-gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba日志(2)])]/ [2gydF4y2Ba
`“二次”gydF4y2Ba`	二次gydF4y2Ba	[0, 1]gydF4y2Ba	(1 -gydF4y2BaygydF4y2Ba_jgydF4y2Ba（2gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba- 1))gydF4y2Ba^2gydF4y2Ba/ 2gydF4y2Ba

该软件将二进制损耗归一化，当损耗为0.5时gydF4y2BaygydF4y2Ba_jgydF4y2Ba= 0。此外，该软件还计算每个类的平均二进制损失。gydF4y2Ba

对于自定义的二进制损失函数，例如，gydF4y2BacustomFunctiongydF4y2Ba，指定它的函数句柄gydF4y2BaBinaryLoss, @customFunctiongydF4y2Ba．gydF4y2Ba
customFunctiongydF4y2Ba应该有这样的表单gydF4y2Ba
```
bLoss = customFunction(M,s)gydF4y2Ba
```
地点:gydF4y2Ba
- 米gydF4y2Ba是gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BaBgydF4y2Ba存储在gydF4y2BaMdl。CodingMatrix．gydF4y2Ba
- 年代gydF4y2Ba是1 × -吗gydF4y2BaBgydF4y2Ba分类分数行向量。gydF4y2Ba
- 布劳斯gydF4y2Ba是分类损失。这个标量聚合了特定类中每个学习者的二进制损失。例如，您可以使用平均二元损失来聚合每个类的学习器损失。gydF4y2Ba
- KgydF4y2Ba是类的数量。gydF4y2Ba
- BgydF4y2Ba是二元学习器的数目。gydF4y2Ba
有关传递自定义二进制损失函数的示例，请参见gydF4y2Ba利用自定义二元损失函数预测ECOC模型的测试样本标签gydF4y2Ba．gydF4y2Ba

默认情况下，如果所有二元学习器都是线性分类模型，使用:gydF4y2Ba

支持向量机,然后gydF4y2BaBinaryLossgydF4y2Ba是gydF4y2Ba“枢纽”gydF4y2Ba
那么，逻辑回归gydF4y2BaBinaryLossgydF4y2Ba是gydF4y2Ba“二次”gydF4y2Ba

例子:gydF4y2Ba“BinaryLoss”、“binodeviance”gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba|gydF4y2Ba字符串gydF4y2Ba|gydF4y2Bafunction_handlegydF4y2Ba

`解码gydF4y2Ba`- - - - - -gydF4y2Ba解码方案gydF4y2Ba
`“lossweighted”gydF4y2Ba`(默认)|gydF4y2Ba`“lossbased”gydF4y2Ba`

聚合二进制损耗的解码方案，指定为由逗号分隔的对组成gydF4y2Ba“解码”gydF4y2Ba而且gydF4y2Ba“lossweighted”gydF4y2Ba或gydF4y2Ba“lossbased”gydF4y2Ba．有关更多信息，请参见gydF4y2Ba二元损失gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“解码”、“lossbased”gydF4y2Ba

`折叠gydF4y2Ba`- - - - - -gydF4y2Ba折叠指数用于分类评分预测gydF4y2Ba
`1: CVMdl。KFoldgydF4y2Ba`(默认)|gydF4y2Ba正整数的数字向量gydF4y2Ba

用于分类评分预测的折叠指数，指定为逗号分隔的对，由gydF4y2Ba“折叠”gydF4y2Ba一个正整数的数字向量。的要素gydF4y2Ba折叠gydF4y2Ba必须从gydF4y2Ba1gydF4y2Ba通过gydF4y2BaCVMdl。KFoldgydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“折叠”，[1 4 10]gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`LossFungydF4y2Ba`- - - - - -gydF4y2Ba损失函数gydF4y2Ba
`“classiferror”gydF4y2Ba`(默认)|gydF4y2Ba`“classifcost”gydF4y2Ba`|gydF4y2Ba函数处理gydF4y2Ba

损失函数，指定为gydF4y2Ba“classiferror”gydF4y2Ba，gydF4y2Ba“classifcost”gydF4y2Ba，或函数句柄。gydF4y2Ba

您可以:gydF4y2Ba

指定内置函数gydF4y2Ba“classiferror”gydF4y2Ba，则损失函数为gydF4y2Ba分类错误gydF4y2Ba．gydF4y2Ba
指定内置函数gydF4y2Ba“classifcost”gydF4y2Ba．在这种情况下，损失函数是gydF4y2Ba观察到的错误分类成本gydF4y2Ba．如果使用默认成本矩阵(其元素值为0表示正确分类，1表示错误分类)，则损失值为gydF4y2Ba“classifcost”gydF4y2Ba而且gydF4y2Ba“classiferror”gydF4y2Ba都是相同的。gydF4y2Ba
使用函数句柄表示法指定自己的函数。gydF4y2Ba
接下来，gydF4y2BangydF4y2Ba为训练数据中的观察数(gydF4y2BaCVMdl。NumObservationsgydF4y2Ba),gydF4y2BaKgydF4y2Ba是类的数量(gydF4y2Ba元素个数(CVMdl.ClassNames)gydF4y2Ba)．您的函数需要签名gydF4y2Balossvalue =gydF4y2BalossfungydF4y2Ba(C、S、W、成本)gydF4y2Ba,地点:gydF4y2Ba
- 输出参数gydF4y2BalossvaluegydF4y2Ba是标量。gydF4y2Ba
- 选择函数名(gydF4y2BalossfungydF4y2Ba)．gydF4y2Ba
- CgydF4y2Ba是一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BaKgydF4y2Ba逻辑矩阵，行表示对应的观察属于哪个类。列的顺序对应于类的顺序gydF4y2BaCVMdl。ClassNames．gydF4y2Ba
  构造gydF4y2BaCgydF4y2Ba通过设置gydF4y2BaC(p,q) = 1gydF4y2Ba如果观察gydF4y2BapgydF4y2Ba在课堂上gydF4y2Ba问gydF4y2Ba，为每一行。设置row的每个元素gydF4y2BapgydF4y2Ba来gydF4y2Ba0gydF4y2Ba．gydF4y2Ba
- 年代gydF4y2Ba是一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BaKgydF4y2Ba类的负损失值的数字矩阵。每一行对应一个观察值。列的顺序对应于类的顺序gydF4y2BaCVMdl。ClassNames．gydF4y2Ba年代gydF4y2Ba类似于输出参数gydF4y2BaNegLossgydF4y2Ba的gydF4y2BakfoldPredictgydF4y2Ba．gydF4y2Ba
- WgydF4y2Ba是一个gydF4y2BangydF4y2Ba-by-1观测权重的数值向量。如果你通过了gydF4y2BaWgydF4y2Ba时，软件将其元素规范化为求和gydF4y2Ba1gydF4y2Ba．gydF4y2Ba
- 成本gydF4y2Ba是一个gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BaKgydF4y2Ba错误分类代价的数字矩阵。例如,gydF4y2Ba成本gydF4y2Ba＝gydF4y2Ba(K)的黑眼圈(K)gydF4y2Ba指定正确分类的代价为0，错误分类的代价为1。gydF4y2Ba
使用以下命令指定函数gydF4y2BaLossFun, @lossfungydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Bafunction_handlegydF4y2Ba|gydF4y2Ba字符gydF4y2Ba|gydF4y2Ba字符串gydF4y2Ba

`模式gydF4y2Ba`- - - - - -gydF4y2Ba损失汇总级别gydF4y2Ba
`“平均”gydF4y2Ba`(默认)|gydF4y2Ba`“个人”gydF4y2Ba`

损失聚合级别，指定为由逗号分隔的对组成gydF4y2Ba“模式”gydF4y2Ba而且gydF4y2Ba“平均”gydF4y2Ba或gydF4y2Ba“个人”gydF4y2Ba．gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“平均”gydF4y2Ba`	返回所有折叠的平均损失gydF4y2Ba
`“个人”gydF4y2Ba`	为每一次折叠返回损失gydF4y2Ba

例子:gydF4y2Ba“模式”,“个人”gydF4y2Ba

`选项gydF4y2Ba`- - - - - -gydF4y2Ba估计选项gydF4y2Ba
`［］gydF4y2Ba`(默认)|gydF4y2Ba返回的结构数组gydF4y2Ba`statsetgydF4y2Ba`

估计选项，指定为逗号分隔的对，由gydF4y2Ba“选项”gydF4y2Ba和返回的结构数组gydF4y2BastatsetgydF4y2Ba．gydF4y2Ba

调用并行计算:gydF4y2Ba

您需要并行计算工具箱™许可证。gydF4y2Ba
指定gydF4y2Ba“选项”,statset (UseParallel,真的)gydF4y2Ba．gydF4y2Ba

`详细的gydF4y2Ba`- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba`1gydF4y2Ba`

详细级别，指定为逗号分隔的对，由gydF4y2Ba“详细”gydF4y2Ba而且gydF4y2Ba0gydF4y2Ba或gydF4y2Ba1gydF4y2Ba．gydF4y2Ba详细的gydF4y2Ba控制软件在命令窗口中显示的诊断消息的数量。gydF4y2Ba

如果gydF4y2Ba详细的gydF4y2Ba是gydF4y2Ba0gydF4y2Ba，则软件不显示诊断信息。否则，软件将显示诊断信息。gydF4y2Ba

例子:gydF4y2Ba“详细”,1gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

输出参数gydF4y2Ba

全部展开gydF4y2Ba

`lgydF4y2Ba`-交叉验证的分类损失gydF4y2Ba
数字标量|数字向量|数字矩阵gydF4y2Ba

旨在gydF4y2Ba分类损失gydF4y2Ba，作为数字标量、向量或矩阵返回。的解释gydF4y2BalgydF4y2Ba取决于gydF4y2BaLossFungydF4y2Ba．gydF4y2Ba

让gydF4y2BaRgydF4y2Ba正则化强度的数量是交叉验证模型(gydF4y2BaCVMdl.Trained {1} .BinaryLearners {1} .LambdagydF4y2Ba),gydF4y2BaFgydF4y2Ba为折叠数(存储在gydF4y2BaCVMdl。KFoldgydF4y2Ba)．gydF4y2Ba

如果gydF4y2Ba模式gydF4y2Ba是gydF4y2Ba“平均”gydF4y2Ba,然后gydF4y2BalgydF4y2Ba是1 × -吗gydF4y2BaRgydF4y2Ba向量。gydF4y2BaL (gydF4y2BajgydF4y2Ba）gydF4y2Ba是否使用正则化强度的交叉验证模型的所有折叠的平均分类损失gydF4y2BajgydF4y2Ba．gydF4y2Ba
否则,gydF4y2BalgydF4y2Ba是一个gydF4y2BaFgydF4y2Ba——- - - - - -gydF4y2BaRgydF4y2Ba矩阵。gydF4y2BaL (gydF4y2Ba我gydF4y2Ba，gydF4y2BajgydF4y2Ba）gydF4y2Ba分类损失是折页吗gydF4y2Ba我gydF4y2Ba使用正则化强度的交叉验证模型gydF4y2BajgydF4y2Ba．gydF4y2Ba

例子gydF4y2Ba

全部展开gydF4y2Ba

估计gydF4y2BakgydF4y2Ba-折叠交叉验证分类错误gydF4y2Ba

打开实时脚本gydF4y2Ba

加载NLP数据集。gydF4y2Ba

负载gydF4y2BanlpdatagydF4y2Ba

XgydF4y2Ba是一个稀疏矩阵的预测数据，和gydF4y2BaYgydF4y2Ba是类标签的分类向量。gydF4y2Ba

交叉验证线性分类模型的ECOC模型。gydF4y2Ba

rng (1);gydF4y2Ba%用于再现性gydF4y2BaCVMdl = fitcecoc(X,Y，gydF4y2Ba“学习者”gydF4y2Ba，gydF4y2Ba“线性”gydF4y2Ba，gydF4y2Ba“CrossVal”gydF4y2Ba，gydF4y2Ba“上”gydF4y2Ba）;gydF4y2Ba

CVMdlgydF4y2Ba是一个gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba模型。默认情况下，该软件实现10倍交叉验证。gydF4y2Ba

估计折外分类错误率的平均值。gydF4y2Ba

ce = kfoldLoss(cvdl)gydF4y2Ba

Ce = 0.0958gydF4y2Ba

或者，您可以通过指定名称-值对来获得每折叠分类错误率gydF4y2Ba“模式”,“个人”gydF4y2Ba在gydF4y2BakfoldLossgydF4y2Ba．gydF4y2Ba

指定自定义分类损失gydF4y2Ba

打开实时脚本gydF4y2Ba

加载NLP数据集。转置预测数据。gydF4y2Ba

负载gydF4y2BanlpdatagydF4y2BaX = X';gydF4y2Ba

为简单起见，在所有观察中使用“其他”标签gydF4y2BaYgydF4y2Ba不是这样的gydF4y2Ba“金宝app模型”gydF4y2Ba，gydF4y2Ba“dsp”gydF4y2Ba,或gydF4y2Ba“通讯”gydF4y2Ba．gydF4y2Ba

Y (~ (ismember (Y, {gydF4y2Ba“金宝app模型”gydF4y2Ba，gydF4y2Ba“dsp”gydF4y2Ba，gydF4y2Ba“通讯”gydF4y2Ba}))) =gydF4y2Ba“别人”gydF4y2Ba；gydF4y2Ba

创建一个线性分类模型模板，指定使用SpaRSA优化目标函数。gydF4y2Ba

t = templatlinear (gydF4y2Ba“规划求解”gydF4y2Ba，gydF4y2Ba“sparsa”gydF4y2Ba）;gydF4y2Ba

使用5倍交叉验证对线性分类模型的ECOC模型进行交叉验证。利用SpaRSA对目标函数进行优化。指定预测器观测值与列相对应。gydF4y2Ba

rng (1);gydF4y2Ba%用于再现性gydF4y2BaCVMdl = fitcecoc(X,Y，gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“KFold”gydF4y2Ba5,gydF4y2Ba“ObservationsIn”gydF4y2Ba，gydF4y2Ba“列”gydF4y2Ba）;CMdl1 = CVMdl。训练有素的{1}gydF4y2Ba

CMdl1 = CompactClassificationECOC ResponseName: 'Y' ClassNames: [comm dsp 金宝appsimulink others] ScoreTransform: 'none' BinaryLearners: {6x1 cell} CodingMatrix: [4x6 double]属性，方法gydF4y2Ba

CVMdlgydF4y2Ba是一个gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba模型。它包含属性gydF4y2Ba训练有素的gydF4y2Ba，这是一个5 × 1单元格数组，包含一个gydF4y2BaCompactClassificationECOCgydF4y2Ba软件使用每个折叠的训练集训练的模型。gydF4y2Ba

创建一个函数，对每个观测值取最小损失，然后对所有观测值取最小损失的平均值。因为函数没有使用类标识符矩阵(gydF4y2BaCgydF4y2Ba)、观测权重(gydF4y2BaWgydF4y2Ba)，以及分类费用(gydF4y2Ba成本gydF4y2Ba),使用gydF4y2Ba～gydF4y2Ba有gydF4y2BakfoldLossgydF4y2Ba忽略其自身的位置。gydF4y2Ba

lossfun = @(~，S，~，~)mean(min(-S，[]，2));gydF4y2Ba

使用每个观测函数的最小损失估计交叉验证的平均分类损失。同样，得到每一次折叠的损失。gydF4y2Ba

ce = kfoldLoss(CVMdl，gydF4y2Ba“LossFun”gydF4y2Balossfun)gydF4y2Ba

Ce = 0.0485gydF4y2Ba

ceFold = kfoldLoss(CVMdl，gydF4y2Ba“LossFun”gydF4y2Balossfun,gydF4y2Ba“模式”gydF4y2Ba，gydF4y2Ba“个人”gydF4y2Ba）gydF4y2Ba

ceFold =gydF4y2Ba5×1gydF4y2Ba0.0488 0.0511 0.0496 0.0479 0.0452gydF4y2Ba

使用交叉验证找到好的套索惩罚gydF4y2Ba

打开实时脚本gydF4y2Ba

为确定由使用逻辑回归学习器的线性分类模型组成的ECOC模型的良好套索惩罚强度，实现5倍交叉验证。gydF4y2Ba

加载NLP数据集。gydF4y2Ba

负载gydF4y2BanlpdatagydF4y2Ba

XgydF4y2Ba是一个稀疏矩阵的预测数据，和gydF4y2BaYgydF4y2Ba是类标签的分类向量。gydF4y2Ba

Y (~ (ismember (Y, {gydF4y2Ba“金宝app模型”gydF4y2Ba，gydF4y2Ba“dsp”gydF4y2Ba，gydF4y2Ba“通讯”gydF4y2Ba}))) =gydF4y2Ba“别人”gydF4y2Ba；gydF4y2Ba

创建一组11个对数间隔的正则化强度gydF4y2Ba $1gydF4y2Ba {0gydF4y2Ba}^{-gydF4y2Ba 7gydF4y2Ba}$ 通过gydF4y2Ba $1gydF4y2Ba {0gydF4y2Ba}^{-gydF4y2Ba 2gydF4y2Ba}$ ．gydF4y2Ba

Lambda = logspace(-7，-2,11);gydF4y2Ba

创建一个线性分类模型模板，指定使用逻辑回归学习器，使用具有优势的套索惩罚gydF4y2BaλgydF4y2Ba，使用SpaRSA进行训练，并将目标函数梯度上的容差降低到gydF4y2Ba1 e-8gydF4y2Ba．gydF4y2Ba

t = templatlinear (gydF4y2Ba“学习者”gydF4y2Ba，gydF4y2Ba“物流”gydF4y2Ba，gydF4y2Ba“规划求解”gydF4y2Ba，gydF4y2Ba“sparsa”gydF4y2Ba，gydF4y2Ba.．.gydF4y2Ba“正规化”gydF4y2Ba，gydF4y2Ba“套索”gydF4y2Ba，gydF4y2Ba“λ”gydF4y2Baλ,gydF4y2Ba“GradientTolerance”gydF4y2Ba1 e-8);gydF4y2Ba

交叉验证模型。要提高执行速度，可以调换预测器数据，并指定观察值为列。gydF4y2Ba

X = X';rng (10);gydF4y2Ba%用于再现性gydF4y2BaCVMdl = fitcecoc(X,Y，gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“ObservationsIn”gydF4y2Ba，gydF4y2Ba“列”gydF4y2Ba，gydF4y2Ba“KFold”gydF4y2Ba5);gydF4y2Ba

CVMdlgydF4y2Ba是一个gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba模型。gydF4y2Ba

解剖gydF4y2BaCVMdlgydF4y2Ba，以及其中的每个模型。gydF4y2Ba

numECOCModels = nummel (CVMdl.Trained)gydF4y2Ba

numECOCModels = 5gydF4y2Ba

ECOCMdl1 = CVMdl。训练有素的{1}gydF4y2Ba

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gydF4y2Ba

numCLModels = nummel (ECOCMdl1.BinaryLearners)gydF4y2Ba

numCLModels = 6gydF4y2Ba

CLMdl1 = ECOCMdl1。BinaryLearners {1}gydF4y2Ba

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gydF4y2Ba

因为gydF4y2BafitcecocgydF4y2Ba实现5倍交叉验证，gydF4y2BaCVMdlgydF4y2Ba的5 × 1单元格数组gydF4y2BaCompactClassificationECOCgydF4y2Ba软件在每次折叠上训练的模型。的gydF4y2BaBinaryLearnersgydF4y2Ba各属性gydF4y2BaCompactClassificationECOCgydF4y2Ba模型包含gydF4y2BaClassificationLineargydF4y2Ba模型。的数量gydF4y2BaClassificationLineargydF4y2Ba每个紧凑型ECOC模型中的模型取决于不同标签和编码设计的数量。因为gydF4y2BaλgydF4y2Ba是一个正则化强度序列，你能想到吗gydF4y2BaCLMdl1gydF4y2Ba作为11个模型，每个模型中的正则化强度为1gydF4y2BaλgydF4y2Ba．gydF4y2Ba

通过绘制每个正则化强度的5倍分类误差的平均值来确定模型的泛化程度。确定将网格上的泛化误差最小化的正则化强度。gydF4y2Ba

ce = kfoldLoss(CVMdl);图;plot(log10(Lambda)，log10(ce)) [~，minCEIdx] = min(ce);minLambda = Lambda(minCEIdx);持有gydF4y2Ba在gydF4y2Ba情节(log10 (minLambda) log10 (ce (minCEIdx)),gydF4y2Ba“罗”gydF4y2Ba）;ylabel (gydF4y2Ba'log_{10} 5倍分类错误'gydF4y2Ba)包含(gydF4y2Ba“log_{10}λ的gydF4y2Ba)传说(gydF4y2BaMSE的gydF4y2Ba，gydF4y2Ba“最小分类错误”gydF4y2Ba)举行gydF4y2Ba从gydF4y2Ba

利用整个数据集训练一个由线性分类模型组成的ECOC模型，并指定最小正则化强度。gydF4y2Ba

t = templatlinear (gydF4y2Ba“学习者”gydF4y2Ba，gydF4y2Ba“物流”gydF4y2Ba，gydF4y2Ba“规划求解”gydF4y2Ba，gydF4y2Ba“sparsa”gydF4y2Ba，gydF4y2Ba.．.gydF4y2Ba“正规化”gydF4y2Ba，gydF4y2Ba“套索”gydF4y2Ba，gydF4y2Ba“λ”gydF4y2BaminLambda,gydF4y2Ba“GradientTolerance”gydF4y2Ba1 e-8);MdlFinal = fitcecoc(X,Y，gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“ObservationsIn”gydF4y2Ba，gydF4y2Ba“列”gydF4y2Ba）;gydF4y2Ba

要估计新观测值的标签，请通过gydF4y2BaMdlFinalgydF4y2Ba新的数据gydF4y2Ba预测gydF4y2Ba．gydF4y2Ba

更多关于gydF4y2Ba

全部展开gydF4y2Ba

分类错误gydF4y2Ba

的gydF4y2Ba分类错误gydF4y2Ba有形式gydF4y2Ba

$lgydF4y2Ba ＝gydF4y2Ba {\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{ngydF4y2Ba} {wgydF4y2Ba}_{jgydF4y2Ba} {egydF4y2Ba}_{jgydF4y2Ba} ，gydF4y2Ba$

地点:gydF4y2Ba

wgydF4y2Ba_jgydF4y2Ba重量是用来观察的吗gydF4y2BajgydF4y2Ba．软件将权重重新规格化，使其总和为1。gydF4y2Ba
egydF4y2Ba_jgydF4y2Ba= 1，表示预测的观察类别gydF4y2BajgydF4y2Ba与它的真实类不同，否则为0。gydF4y2Ba

换句话说，分类误差是被分类器错误分类的观测数据的比例。gydF4y2Ba

观察到的错误分类成本gydF4y2Ba

的gydF4y2Ba观察到的错误分类成本gydF4y2Ba有形式gydF4y2Ba

$lgydF4y2Ba ＝gydF4y2Ba {\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{ngydF4y2Ba} {wgydF4y2Ba}_{jgydF4y2Ba} {cgydF4y2Ba}_{{ygydF4y2Ba}_{jgydF4y2Ba} {\overset{＾gydF4y2Ba}{ygydF4y2Ba}}_{jgydF4y2Ba}} ，gydF4y2Ba$

地点:gydF4y2Ba

wgydF4y2Ba_jgydF4y2Ba重量是用来观察的吗gydF4y2BajgydF4y2Ba．软件将权重重新规格化，使其总和为1。gydF4y2Ba
${cgydF4y2Ba}_{{ygydF4y2Ba}_{jgydF4y2Ba} {\overset{＾gydF4y2Ba}{ygydF4y2Ba}}_{jgydF4y2Ba}}$ 用户指定的将观察数据分类的成本是多少gydF4y2Ba ${\overset{＾gydF4y2Ba}{ygydF4y2Ba}}_{jgydF4y2Ba}$ 当它真正的阶级是gydF4y2BaygydF4y2Ba_jgydF4y2Ba．gydF4y2Ba

二元损失gydF4y2Ba

的gydF4y2Ba二元损失gydF4y2Ba是类和分类分数的函数，它决定二元学习者如何将观察结果分类到类中。gydF4y2Ba

假设如下:gydF4y2Ba

米gydF4y2Ba_kjgydF4y2Ba是元素(gydF4y2BakgydF4y2Ba，gydF4y2BajgydF4y2Ba)的编码设计矩阵gydF4y2Ba米gydF4y2Ba-即类对应的代码gydF4y2BakgydF4y2Ba二元学习者gydF4y2BajgydF4y2Ba．gydF4y2Ba米gydF4y2Ba是一个gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BaBgydF4y2Ba矩阵,gydF4y2BaKgydF4y2Ba是班级的数量，和gydF4y2BaBgydF4y2Ba是二元学习器的数目。gydF4y2Ba
年代gydF4y2Ba_jgydF4y2Ba二元学习者的分数是多少gydF4y2BajgydF4y2Ba观察一下。gydF4y2Ba
ggydF4y2Ba是二值损失函数。gydF4y2Ba
$\overset{＾gydF4y2Ba}{kgydF4y2Ba}$ 是观测的预测类别。gydF4y2Ba

ECOC模型的解码方案规定了软件如何聚合二进制损失并确定每个观测的预测类别。软件支持两种解码方案:金宝appgydF4y2Ba

通过解码gydF4y2Ba[２]gydF4y2Ba（gydF4y2Ba解码gydF4y2Ba是gydF4y2Ba“lossbased”gydF4y2Ba) -观测的预测类对应于产生所有二元学习器的二进制损失的最小平均值的类。gydF4y2Ba

$\overset{＾gydF4y2Ba}{kgydF4y2Ba} ＝gydF4y2Ba \underset{kgydF4y2Ba}{argmingydF4y2Ba} \frac{1gydF4y2Ba}{BgydF4y2Ba} {\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{BgydF4y2Ba} |gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} |gydF4y2Ba ggydF4y2Ba （gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} ，gydF4y2Ba {年代gydF4y2Ba}_{jgydF4y2Ba} ）gydF4y2Ba ．gydF4y2Ba$
Loss-weighted解码gydF4y2Ba[3]gydF4y2Ba（gydF4y2Ba解码gydF4y2Ba是gydF4y2Ba“lossweighted”gydF4y2Ba) -观测的预测类对应于产生对应类的二元学习器的二进制损失的最小平均值的类。gydF4y2Ba

$\overset{＾gydF4y2Ba}{kgydF4y2Ba} ＝gydF4y2Ba \underset{kgydF4y2Ba}{argmingydF4y2Ba} \frac{{\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{BgydF4y2Ba} |gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} |gydF4y2Ba ggydF4y2Ba （gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} ，gydF4y2Ba {年代gydF4y2Ba}_{jgydF4y2Ba} ）gydF4y2Ba}{{\sumgydF4y2Ba}_{jgydF4y2Ba ＝gydF4y2Ba 1gydF4y2Ba}^{BgydF4y2Ba} |gydF4y2Ba {米gydF4y2Ba}_{kgydF4y2Ba jgydF4y2Ba} |gydF4y2Ba} ．gydF4y2Ba$

分母对应于类的二元学习器的数量gydF4y2BakgydF4y2Ba．gydF4y2Ba[1]gydF4y2Ba建议损失加权解码通过保持所有类的损失值在相同的动态范围内来提高分类精度。gydF4y2Ba

的gydF4y2Ba预测gydF4y2Ba，gydF4y2BaresubPredictgydF4y2Ba,gydF4y2BakfoldPredictgydF4y2Ba函数返回的是目标函数的负值gydF4y2BaargmingydF4y2Ba作为第二个输出参数(gydF4y2BaNegLossgydF4y2Ba)进行观察及上课。gydF4y2Ba

下表总结了支持的二进制损失函数，其中金宝appgydF4y2BaygydF4y2Ba_jgydF4y2Ba是特定二元学习器的类标签(在集合{- 1,1,0}中)，gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba这是观察分数吗gydF4y2BajgydF4y2Ba,gydF4y2BaggydF4y2Ba（gydF4y2BaygydF4y2Ba_jgydF4y2Ba，gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba)为二值损失函数。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba	分数域gydF4y2Ba	ggydF4y2Ba（gydF4y2BaygydF4y2Ba_jgydF4y2Ba，gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba）gydF4y2Ba
`“binodeviance”gydF4y2Ba`	二项异常gydF4y2Ba	(-∞∞)gydF4y2Ba	Log [1 + exp(-2gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba日志(2)])]/ [2gydF4y2Ba
`“指数”gydF4y2Ba`	指数gydF4y2Ba	(-∞∞)gydF4y2Ba	exp (-gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba) / 2gydF4y2Ba
`“汉明”gydF4y2Ba`	汉明gydF4y2Ba	[0,1]或(-∞，∞)gydF4y2Ba	[1 -符号(gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba) / 2gydF4y2Ba
`“枢纽”gydF4y2Ba`	铰链gydF4y2Ba	(-∞∞)gydF4y2Ba	马克斯(0,1 -gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba) / 2gydF4y2Ba
`“线性”gydF4y2Ba`	线性gydF4y2Ba	(-∞∞)gydF4y2Ba	(1 -gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba) / 2gydF4y2Ba
`“分对数”gydF4y2Ba`	物流gydF4y2Ba	(-∞∞)gydF4y2Ba	Log [1 + exp(-gydF4y2BaygydF4y2Ba_jgydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba日志(2)])]/ [2gydF4y2Ba
`“二次”gydF4y2Ba`	二次gydF4y2Ba	[0, 1]gydF4y2Ba	(1 -gydF4y2BaygydF4y2Ba_jgydF4y2Ba（2gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba- 1))gydF4y2Ba^2gydF4y2Ba/ 2gydF4y2Ba

该软件规范化二进制损耗，使损耗为0.5时gydF4y2BaygydF4y2Ba_jgydF4y2Ba= 0，并使用二元学习器的平均值进行聚合。gydF4y2Ba

不要将二进制损失与总体分类损失(由gydF4y2BaLossFungydF4y2Ba的名称-值参数gydF4y2BakfoldLossgydF4y2Ba而且gydF4y2BakfoldPredictgydF4y2Ba对象函数)，它衡量ECOC分类器作为一个整体执行的好坏。gydF4y2Ba

参考文献gydF4y2Ba

[1]奥尔温，E.， R. Schapire, Y. Singer。将多类简化为二进制:边距分类器的统一方法。gydF4y2Ba机器学习研究杂志gydF4y2Ba．Vol. 1, 2000, pp. 113-141。gydF4y2Ba

[2] Escalera, S.， O. Pujol, P. Radeva。纠错输出码的稀疏设计的三进制码的可分性。gydF4y2BaRecog模式。列托人。gydF4y2Ba， 2009年第3期，第30卷，页285-297。gydF4y2Ba

[3] Escalera, S.， O. Pujol, P. Radeva。三进制纠错输出码的解码过程。gydF4y2Ba模式分析与机器智能汇刊gydF4y2Ba．Vol. 32, Issue 7, 2010, pp. 120-134。gydF4y2Ba

扩展功能gydF4y2Ba

自动平行支撑金宝appgydF4y2Ba
通过使用并行计算工具箱™自动并行运行计算来加速代码。gydF4y2Ba

要并行运行，请指定gydF4y2Ba“选项”gydF4y2Ba参数中的名称-值，并将gydF4y2Ba“UseParallel”gydF4y2Ba字段的选项结构为gydF4y2Ba真正的gydF4y2Ba使用gydF4y2BastatsetgydF4y2Ba．gydF4y2Ba

例如:gydF4y2Ba“选项”,statset (UseParallel,真的)gydF4y2Ba

有关并行计算的更多信息，请参见gydF4y2Ba运行MATLAB函数与自动并行支持金宝appgydF4y2Ba(并行计算工具箱)gydF4y2Ba．gydF4y2Ba

版本历史gydF4y2Ba

在R2016a中引入gydF4y2Ba

另请参阅gydF4y2Ba

kfoldLossgydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

输入参数gydF4y2Ba

CVMdlgydF4y2Ba- - - - - -gydF4y2Ba交叉验证，ECOC模型由线性分类模型组成gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba模型对象gydF4y2Ba

名称-值参数gydF4y2Ba

解码gydF4y2Ba- - - - - -gydF4y2Ba解码方案gydF4y2Ba“lossweighted”gydF4y2Ba(默认)|gydF4y2Ba“lossbased”gydF4y2Ba

折叠gydF4y2Ba- - - - - -gydF4y2Ba折叠指数用于分类评分预测gydF4y2Ba1: CVMdl。KFoldgydF4y2Ba(默认)|gydF4y2Ba正整数的数字向量gydF4y2Ba

LossFungydF4y2Ba- - - - - -gydF4y2Ba损失函数gydF4y2Ba“classiferror”gydF4y2Ba(默认)|gydF4y2Ba“classifcost”gydF4y2Ba|gydF4y2Ba函数处理gydF4y2Ba

模式gydF4y2Ba- - - - - -gydF4y2Ba损失汇总级别gydF4y2Ba“平均”gydF4y2Ba(默认)|gydF4y2Ba“个人”gydF4y2Ba

选项gydF4y2Ba- - - - - -gydF4y2Ba估计选项gydF4y2Ba［］gydF4y2Ba(默认)|gydF4y2Ba返回的结构数组gydF4y2BastatsetgydF4y2Ba

详细的gydF4y2Ba- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba0gydF4y2Ba(默认)|gydF4y2Ba1gydF4y2Ba

输出参数gydF4y2Ba

lgydF4y2Ba-交叉验证的分类损失gydF4y2Ba数字标量|数字向量|数字矩阵gydF4y2Ba

例子gydF4y2Ba

估计gydF4y2BakgydF4y2Ba-折叠交叉验证分类错误gydF4y2Ba

指定自定义分类损失gydF4y2Ba

使用交叉验证找到好的套索惩罚gydF4y2Ba

更多关于gydF4y2Ba

分类错误gydF4y2Ba

观察到的错误分类成本gydF4y2Ba

二元损失gydF4y2Ba

参考文献gydF4y2Ba

扩展功能gydF4y2Ba

自动平行支撑金宝appgydF4y2Ba通过使用并行计算工具箱™自动并行运行计算来加速代码。gydF4y2Ba

版本历史gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

`CVMdlgydF4y2Ba`- - - - - -gydF4y2Ba交叉验证，ECOC模型由线性分类模型组成gydF4y2Ba
`ClassificationPartitionedLinearECOCgydF4y2Ba`模型对象gydF4y2Ba

`解码gydF4y2Ba`- - - - - -gydF4y2Ba解码方案gydF4y2Ba
`“lossweighted”gydF4y2Ba`(默认)|gydF4y2Ba`“lossbased”gydF4y2Ba`

`折叠gydF4y2Ba`- - - - - -gydF4y2Ba折叠指数用于分类评分预测gydF4y2Ba
`1: CVMdl。KFoldgydF4y2Ba`(默认)|gydF4y2Ba正整数的数字向量gydF4y2Ba

`LossFungydF4y2Ba`- - - - - -gydF4y2Ba损失函数gydF4y2Ba
`“classiferror”gydF4y2Ba`(默认)|gydF4y2Ba`“classifcost”gydF4y2Ba`|gydF4y2Ba函数处理gydF4y2Ba

`模式gydF4y2Ba`- - - - - -gydF4y2Ba损失汇总级别gydF4y2Ba
`“平均”gydF4y2Ba`(默认)|gydF4y2Ba`“个人”gydF4y2Ba`

`选项gydF4y2Ba`- - - - - -gydF4y2Ba估计选项gydF4y2Ba
`［］gydF4y2Ba`(默认)|gydF4y2Ba返回的结构数组gydF4y2Ba`statsetgydF4y2Ba`

`详细的gydF4y2Ba`- - - - - -gydF4y2Ba冗长的水平gydF4y2Ba
`0gydF4y2Ba`(默认)|gydF4y2Ba`1gydF4y2Ba`

`lgydF4y2Ba`-交叉验证的分类损失gydF4y2Ba
数字标量|数字向量|数字矩阵gydF4y2Ba

自动平行支撑金宝appgydF4y2Ba
通过使用并行计算工具箱™自动并行运行计算来加速代码。gydF4y2Ba