kfoldMargingydF4y2Ba
分类利润率观察中未使用培训gydF4y2Ba
描述gydF4y2Ba
返回旨在gydF4y2Ba分类的利润率gydF4y2Ba获得的gydF4y2Ba米gydF4y2Ba
= kfoldMargin (gydF4y2BaCVMdlgydF4y2Ba
)gydF4y2BaCVMdlgydF4y2Ba
,这是一个旨在,纠错输出编码(ECOC)模型组成的线性分类模型。也就是说,每一个褶皱,gydF4y2BakfoldMargingydF4y2Ba
估计分类利润率的观察,它伸出火车时使用其他观测。gydF4y2Ba
米gydF4y2Ba
包含分类利润率中每一个正规化的力量组成的线性分类模型gydF4y2BaCVMdlgydF4y2Ba
。gydF4y2Ba
使用指定的一个或多个额外的选项gydF4y2Ba米gydF4y2Ba
= kfoldMargin (gydF4y2BaCVMdlgydF4y2Ba
,gydF4y2Ba名称,值gydF4y2Ba
)gydF4y2Ba名称,值gydF4y2Ba
对参数。例如,指定一个解码方案或冗长的水平。gydF4y2Ba
输入参数gydF4y2Ba
CVMdlgydF4y2Ba
- - - - - -gydF4y2Ba旨在,ECOC模型组成的线性分类模型gydF4y2Ba
ClassificationPartitionedLinearECOCgydF4y2Ba
模型对象gydF4y2Ba
旨在,ECOC模型组成的线性分类模型,指定为一个gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba
模型对象。您可以创建一个gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba
模型使用gydF4y2BafitcecocgydF4y2Ba
和:gydF4y2Ba
交叉验证的指定任何一个名称-值对参数,例如,gydF4y2Ba
CrossValgydF4y2Ba
设置名称-值对的论点gydF4y2Ba
学习者gydF4y2Ba
来gydF4y2Ba“线性”gydF4y2Ba
或返回的一个线性分类模型模板gydF4y2BatemplateLineargydF4y2Ba
获得的估计,kfoldMargin适用相同的数据用于旨在ECOC模型(gydF4y2BaXgydF4y2Ba
和gydF4y2BaYgydF4y2Ba
)。gydF4y2Ba
名称-值参数gydF4y2Ba
指定可选的双参数作为gydF4y2BaName1 = Value1,…,以=家gydF4y2Ba
,在那里gydF4y2Ba的名字gydF4y2Ba
参数名称和吗gydF4y2Ba价值gydF4y2Ba
相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。gydF4y2Ba
R2021a之前,用逗号来分隔每一个名称和值,并附上gydF4y2Ba的名字gydF4y2Ba
在报价。gydF4y2Ba
BinaryLossgydF4y2Ba
- - - - - -gydF4y2Ba二进制学习者损失函数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
二进制学习者损失函数,指定为逗号分隔组成的gydF4y2Ba“BinaryLoss”gydF4y2Ba
和一个内置的损失函数名或函数句柄。gydF4y2Ba
此表包含内置函数的名称和描述gydF4y2BaygydF4y2BajgydF4y2Ba是为特定的二进制类标签的学习者(集合{1 1 0}),gydF4y2Ba年代gydF4y2BajgydF4y2Ba观察分数吗gydF4y2BajgydF4y2Ba,gydF4y2BaggydF4y2Ba(gydF4y2BaygydF4y2BajgydF4y2Ba,gydF4y2Ba年代gydF4y2BajgydF4y2Ba)是二进制损失公式。gydF4y2Ba
价值gydF4y2Ba 描述gydF4y2Ba 分数域gydF4y2Ba ggydF4y2Ba(gydF4y2BaygydF4y2BajgydF4y2Ba,gydF4y2Ba年代gydF4y2BajgydF4y2Ba)gydF4y2Ba “binodeviance”gydF4y2Ba
二项异常gydF4y2Ba (-∞∞)gydF4y2Ba 日志(1 + exp (2gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba日志(2)])]/ [2gydF4y2Ba “指数”gydF4y2Ba
指数gydF4y2Ba (-∞∞)gydF4y2Ba exp (-gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba)/ 2gydF4y2Ba “汉明”gydF4y2Ba
汉明gydF4y2Ba [0,1]或(-∞,∞)gydF4y2Ba [1 -符号(gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba)/ 2gydF4y2Ba “枢纽”gydF4y2Ba
铰链gydF4y2Ba (-∞∞)gydF4y2Ba 马克斯(0,1 -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba)/ 2gydF4y2Ba “线性”gydF4y2Ba
线性gydF4y2Ba (-∞∞)gydF4y2Ba (1 -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba)/ 2gydF4y2Ba 分对数的gydF4y2Ba
物流gydF4y2Ba (-∞∞)gydF4y2Ba 日志[1 + exp (-gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba日志(2)])]/ [2gydF4y2Ba “二次”gydF4y2Ba
二次gydF4y2Ba [0,1]gydF4y2Ba (1 -gydF4y2BaygydF4y2BajgydF4y2Ba(2gydF4y2Ba年代gydF4y2BajgydF4y2Ba- 1))gydF4y2Ba2gydF4y2Ba/ 2gydF4y2Ba 软件可实现二进制损失,损失是0.5时gydF4y2BaygydF4y2BajgydF4y2Ba= 0。此外,软件计算意味着对每个类的二进制损失。gydF4y2Ba
为一个自定义的二进制损失函数,例如,gydF4y2Ba
customFunctiongydF4y2Ba
,为其指定一个函数处理gydF4y2BaBinaryLoss, @customFunctiongydF4y2Ba
。gydF4y2BacustomFunctiongydF4y2Ba
应该有这种形式gydF4y2Ba布劳斯= customFunction (M s)gydF4y2Ba
米gydF4y2Ba
是gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BaBgydF4y2Ba编码矩阵存储在gydF4y2BaMdl.CodingMatrixgydF4y2Ba
。gydF4y2Ba年代gydF4y2Ba
是1 -gydF4y2BaBgydF4y2Ba行向量分类的分数。gydF4y2Ba布劳斯gydF4y2Ba
是损失的分类。这个标量骨料二进制损失为每一个学习者在一个特定的类。例如,您可以使用意味着二进制损失总损失超过学习者对于每个类。gydF4y2BaKgydF4y2Ba类的数量。gydF4y2Ba
BgydF4y2Ba是二进制学习者的数量。gydF4y2Ba
为通过一个自定义的二进制损失函数的一个例子,看看gydF4y2Ba预测ECOC模型的测试样本标签使用自定义二进制损失函数gydF4y2Ba。gydF4y2Ba
默认情况下,如果所有二进制学习者使用线性分类模型:gydF4y2Ba
支持向量机,然后gydF4y2Ba
BinaryLossgydF4y2Ba
是gydF4y2Ba“枢纽”gydF4y2Ba
逻辑回归,然后gydF4y2Ba
BinaryLossgydF4y2Ba
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
解码方案,骨料二进制损失,指定为逗号分隔组成的gydF4y2Ba“解码”gydF4y2Ba
和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
选项gydF4y2Ba
- - - - - -gydF4y2Ba估计选项gydF4y2Ba
[]gydF4y2Ba
(默认)|gydF4y2Ba结构数组返回gydF4y2BastatsetgydF4y2Ba
估计选项,指定为逗号分隔组成的gydF4y2Ba“选项”gydF4y2Ba
和一个结构数组返回gydF4y2BastatsetgydF4y2Ba
。gydF4y2Ba
调用并行计算:gydF4y2Ba
你需要一个并行计算工具箱™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)|gydF4y2Ba1gydF4y2Ba
冗长的层面上,指定为逗号分隔组成的gydF4y2Ba“详细”gydF4y2Ba
和gydF4y2Ba0gydF4y2Ba
或gydF4y2Ba1gydF4y2Ba
。gydF4y2Ba详细的gydF4y2Ba
控制软件的诊断消息数量显示在命令窗口。gydF4y2Ba
如果gydF4y2Ba详细的gydF4y2Ba
是gydF4y2Ba0gydF4y2Ba
,那么软件不显示诊断消息。否则,软件显示诊断消息。gydF4y2Ba
例子:gydF4y2Ba“详细”,1gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
输出参数gydF4y2Ba
米gydF4y2Ba
——旨在分类利润率gydF4y2Ba
数值向量|数字矩阵gydF4y2Ba
旨在gydF4y2Ba分类的利润率gydF4y2Ba,返回一个数值向量或矩阵。gydF4y2Ba
米gydF4y2Ba
是gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BalgydF4y2Ba,在那里gydF4y2BangydF4y2Ba观察的数量吗gydF4y2BaXgydF4y2Ba
和gydF4y2BalgydF4y2Ba正规化的数量优势在吗gydF4y2BaMdlgydF4y2Ba
(即,gydF4y2Ba元素个数(Mdl.Lambda)gydF4y2Ba
)。gydF4y2Ba
米(gydF4y2Ba
旨在分类的观察吗gydF4y2Ba我gydF4y2Ba使用ECOC模型,由线性分类模型,正规化的力量gydF4y2Ba我gydF4y2Ba
,gydF4y2BajgydF4y2Ba
)gydF4y2BaMdl.Lambda (gydF4y2Ba
。gydF4y2BajgydF4y2Ba
)gydF4y2Ba
例子gydF4y2Ba
估计gydF4y2BakgydF4y2Ba倍交叉验证的利润率gydF4y2Ba
加载NLP数据集。gydF4y2Ba
负载gydF4y2BanlpdatagydF4y2Ba
XgydF4y2Ba
是一个稀疏矩阵的预测数据,gydF4y2BaYgydF4y2Ba
是一个分类向量类的标签。gydF4y2Ba
为简单起见,使用标签的别人的观察gydF4y2BaYgydF4y2Ba
不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
旨在一个多级线性分类模型。gydF4y2Ba
rng (1);gydF4y2Ba%的再现性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,该软件实现了10倍交叉验证。你可以改变折叠使用的数量gydF4y2Ba“KFold”gydF4y2Ba
名称-值对的论点。gydF4y2Ba
估计gydF4y2BakgydF4y2Ba倍的利润。gydF4y2Ba
m = kfoldMargin (CVMdl);尺寸(米)gydF4y2Ba
ans =gydF4y2Ba1×2gydF4y2Ba31572年1gydF4y2Ba
米gydF4y2Ba
是一个由- 1 31572 -向量。gydF4y2Ba米(j)gydF4y2Ba
观察out-of-fold利润的平均值吗gydF4y2BajgydF4y2Ba
。gydF4y2Ba
画出gydF4y2BakgydF4y2Ba使用盒子情节倍利润。gydF4y2Ba
图;箱线图(m);甘氨胆酸h =;h。Yl我米=[-5 5]; title(“旨在分配利润”gydF4y2Ba)gydF4y2Ba
特征选择使用gydF4y2BakgydF4y2Ba倍的利润gydF4y2Ba
进行特征选择的方法之一是比较gydF4y2BakgydF4y2Ba倍的利润来自多个模型。仅仅根据这一标准,分类器与更大的利润率是更好的分类器。gydF4y2Ba
加载NLP的数据集,数据的预处理gydF4y2Ba估计k-Fold交叉验证的利润率gydF4y2Ba,东方预测数据,以便观察对应列。gydF4y2Ba
负载gydF4y2BanlpdatagydF4y2BaY (~ (ismember (Y, {gydF4y2Ba“金宝app模型”gydF4y2Ba,gydF4y2Ba“dsp”gydF4y2Ba,gydF4y2Ba“通讯”gydF4y2Ba})))=gydF4y2Ba“别人”gydF4y2Ba;X = X ';gydF4y2Ba
创建这两个数据集:gydF4y2Ba
fullXgydF4y2Ba
包含所有预测。gydF4y2BapartXgydF4y2Ba
包含预测的半随机选取的。gydF4y2Ba
rng (1);gydF4y2Ba%的再现性gydF4y2Bap =大小(X, 1);gydF4y2Ba%的预测数量gydF4y2BahalfPredIdx = randsample (p,装天花板(0.5 * p));fullX = X;partX = X (halfPredIdx:);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 = templateLinear (gydF4y2Ba“规划求解”gydF4y2Ba,gydF4y2Ba“sparsa”gydF4y2Ba);gydF4y2Ba
旨在两个ECOC模型组成的二进制,线性分类模型:一个使用所有的预测和使用预测的一半。表明,观察对应列。gydF4y2Ba
CVMdl = fitcecoc (fullX YgydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“CrossVal”gydF4y2Ba,gydF4y2Ba“上”gydF4y2Ba,gydF4y2Ba…gydF4y2Ba“ObservationsIn”gydF4y2Ba,gydF4y2Ba“列”gydF4y2Ba);PCVMdl = fitcecoc (partX YgydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“CrossVal”gydF4y2Ba,gydF4y2Ba“上”gydF4y2Ba,gydF4y2Ba…gydF4y2Ba“ObservationsIn”gydF4y2Ba,gydF4y2Ba“列”gydF4y2Ba);gydF4y2Ba
CVMdlgydF4y2Ba
和gydF4y2BaPCVMdlgydF4y2Ba
是gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba
模型。gydF4y2Ba
估计gydF4y2BakgydF4y2Ba为每个分类器倍利润。情节的分布gydF4y2BakgydF4y2Ba倍利润集使用盒子情节。gydF4y2Ba
fullMargins = kfoldMargin (CVMdl);partMargins = kfoldMargin (PCVMdl);图;箱线图([fullMargins partMargins),gydF4y2Ba“标签”gydF4y2Ba,gydF4y2Ba…gydF4y2Ba{gydF4y2Ba“所有预测”gydF4y2Ba,gydF4y2Ba“预测的一半”gydF4y2Ba});甘氨胆酸h =;h。Yl我米=[-1 1]; title(“旨在分配利润”gydF4y2Ba)gydF4y2Ba
的分布gydF4y2BakgydF4y2Ba倍利润的两个分类器是相似的。gydF4y2Ba
找到好的使用套索处罚gydF4y2BakgydF4y2Ba倍的利润gydF4y2Ba
确定好lasso-penalty强度线性分类模型,使用逻辑回归的学习者,分布进行比较gydF4y2BakgydF4y2Ba倍的利润。gydF4y2Ba
加载NLP的数据集,数据的预处理gydF4y2Ba特征选择使用k-fold利润率gydF4y2Ba。gydF4y2Ba
负载gydF4y2BanlpdatagydF4y2BaY (~ (ismember (Y, {gydF4y2Ba“金宝app模型”gydF4y2Ba,gydF4y2Ba“dsp”gydF4y2Ba,gydF4y2Ba“通讯”gydF4y2Ba})))=gydF4y2Ba“别人”gydF4y2Ba;X = X ';gydF4y2Ba
创建一组11对数间隔正则化的优势gydF4y2Ba 通过gydF4y2Ba 。gydF4y2Ba
λ= logspace (8 1 11);gydF4y2Ba
创建一个线性分类模型模板,指定使用逻辑回归和套索点球,使用每一种正则化的优势,使用SpaRSA优化目标函数,并减少目标函数的梯度的宽容gydF4y2Ba1 e-8gydF4y2Ba
。gydF4y2Ba
t = templateLinear (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
旨在ECOC模型组成的二进制,线性分类模型使用5倍交叉验证gydF4y2Ba
rng (10);gydF4y2Ba%的再现性gydF4y2BaCVMdl = fitcecoc (X, Y,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“ObservationsIn”gydF4y2Ba,gydF4y2Ba“列”gydF4y2Ba,gydF4y2Ba“KFold”gydF4y2Ba5)gydF4y2Ba
CVMdl = ClassificationPartitionedLinearECOC CrossValidatedModel:“LinearECOC”ResponseName:“Y”NumObservations: 31572 KFold: 5分区:[1 x1 cvpartition]类名:[通讯dsp仿真软件别人]ScoreTransform:“没有一金宝app个”属性,方法gydF4y2Ba
CVMdlgydF4y2Ba
是一个gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba
模型。gydF4y2Ba
估计gydF4y2BakgydF4y2Ba为每个正则化强度倍利润。逻辑回归的分数是在[0,1]。应用二次二元的损失。gydF4y2Ba
m = kfoldMargin (CVMdlgydF4y2Ba“BinaryLoss”gydF4y2Ba,gydF4y2Ba“二次”gydF4y2Ba);尺寸(米)gydF4y2Ba
ans =gydF4y2Ba1×2gydF4y2Ba31572年11gydF4y2Ba
米gydF4y2Ba
是31572 - 11矩阵的每个观察旨在利润率。列对应的正则化优势。gydF4y2Ba
画出gydF4y2BakgydF4y2Ba为每个正则化强度倍利润。gydF4y2Ba
图;箱线图(m) ylabel (gydF4y2Ba“旨在利润率”gydF4y2Ba)包含(gydF4y2Ba“λ指数”gydF4y2Ba)gydF4y2Ba
数的值gydF4y2BaλgydF4y2Ba
收益率同样高的利润率较低的配送中心蔓延。更高的值gydF4y2BaλgydF4y2Ba
导致预测变量较少,这是一个很好的分类器的质量。gydF4y2Ba
选择正则化强度发生之前配送中心开始下降幅度和传播开始增加。gydF4y2Ba
LambdaFinal =λ(5);gydF4y2Ba
火车一个ECOC模型组成的线性分类模型使用整个数据集和指定正则化的力量gydF4y2BaLambdaFinalgydF4y2Ba
。gydF4y2Ba
t = templateLinear (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(5),gydF4y2Ba“GradientTolerance”gydF4y2Ba1 e-8);MdlFinal = fitcecoc (X, Y,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“ObservationsIn”gydF4y2Ba,gydF4y2Ba“列”gydF4y2Ba);gydF4y2Ba
为新观测估计标签,通过gydF4y2BaMdlFinalgydF4y2Ba
和新数据gydF4y2Ba预测gydF4y2Ba
。gydF4y2Ba
更多关于gydF4y2Ba
二元损失gydF4y2Ba
的gydF4y2Ba二元损失gydF4y2Ba是一个函数的类和分类分数决定一个二进制学习者如何将一个观察分为类。gydF4y2Ba
假设如下:gydF4y2Ba
米gydF4y2BakjgydF4y2Ba是元素(gydF4y2BakgydF4y2Ba,gydF4y2BajgydF4y2Ba)的编码设计矩阵gydF4y2Ba米gydF4y2Ba,也就是对应类的代码gydF4y2BakgydF4y2Ba二进制的学习者gydF4y2BajgydF4y2Ba。gydF4y2Ba米gydF4y2Ba是一个gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BaBgydF4y2Ba矩阵,gydF4y2BaKgydF4y2Ba类的数量,gydF4y2BaBgydF4y2Ba是二进制学习者的数量。gydF4y2Ba
年代gydF4y2BajgydF4y2Ba是二进制学习者的成绩吗gydF4y2BajgydF4y2Ba对于一个观察。gydF4y2Ba
ggydF4y2Ba是二进制损失函数。gydF4y2Ba
是预测类的观察。gydF4y2Ba
ECOC模型的解码方案指定软件聚合二进制损失和如何确定预测类为每个观察。该软件支持两种译码方案:金宝appgydF4y2Ba
通过解码gydF4y2Ba[2]gydF4y2Ba(gydF4y2Ba
解码gydF4y2Ba
是gydF4y2Ba“lossbased”gydF4y2Ba
)——观察对应的预测类的类生成二进制的最小平均损失所有二进制学习者。gydF4y2BaLoss-weighted解码gydF4y2Ba[3]gydF4y2Ba(gydF4y2Ba
解码gydF4y2Ba
是gydF4y2Ba“lossweighted”gydF4y2Ba
)——观察对应的预测类的类生成二进制的最小平均损失相应的类的二进制学习者。gydF4y2Ba分母对应于二进制学习者为类的数量gydF4y2BakgydF4y2Ba。gydF4y2Ba[1]gydF4y2Ba表明loss-weighted解码,从而提高分类精度保持所有类损失值在相同的动态范围。gydF4y2Ba
的gydF4y2Ba预测gydF4y2Ba
,gydF4y2BaresubPredictgydF4y2Ba
,gydF4y2BakfoldPredictgydF4y2Ba
函数返回的否定价值的目标函数gydF4y2BaargmingydF4y2Ba
作为第二个输出参数(gydF4y2BaNegLossgydF4y2Ba
每个观测和类)。gydF4y2Ba
这个表总结了支持二进制损失函数,金宝appgydF4y2BaygydF4y2BajgydF4y2Ba是一个类标签特定二进制学习者(集合{1 1 0}),gydF4y2Ba年代gydF4y2BajgydF4y2Ba观察分数吗gydF4y2BajgydF4y2Ba,gydF4y2BaggydF4y2Ba(gydF4y2BaygydF4y2BajgydF4y2Ba,gydF4y2Ba年代gydF4y2BajgydF4y2Ba)是二进制损失函数。gydF4y2Ba
价值gydF4y2Ba | 描述gydF4y2Ba | 分数域gydF4y2Ba | ggydF4y2Ba(gydF4y2BaygydF4y2BajgydF4y2Ba,gydF4y2Ba年代gydF4y2BajgydF4y2Ba)gydF4y2Ba |
---|---|---|---|
“binodeviance”gydF4y2Ba |
二项异常gydF4y2Ba | (-∞∞)gydF4y2Ba | 日志(1 + exp (2gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba日志(2)])]/ [2gydF4y2Ba |
“指数”gydF4y2Ba |
指数gydF4y2Ba | (-∞∞)gydF4y2Ba | exp (-gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba)/ 2gydF4y2Ba |
“汉明”gydF4y2Ba |
汉明gydF4y2Ba | [0,1]或(-∞,∞)gydF4y2Ba | [1 -符号(gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba)/ 2gydF4y2Ba |
“枢纽”gydF4y2Ba |
铰链gydF4y2Ba | (-∞∞)gydF4y2Ba | 马克斯(0,1 -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba)/ 2gydF4y2Ba |
“线性”gydF4y2Ba |
线性gydF4y2Ba | (-∞∞)gydF4y2Ba | (1 -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba)/ 2gydF4y2Ba |
“分对数”gydF4y2Ba |
物流gydF4y2Ba | (-∞∞)gydF4y2Ba | 日志[1 + exp (-gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba日志(2)])]/ [2gydF4y2Ba |
“二次”gydF4y2Ba |
二次gydF4y2Ba | [0,1]gydF4y2Ba | (1 -gydF4y2BaygydF4y2BajgydF4y2Ba(2gydF4y2Ba年代gydF4y2BajgydF4y2Ba- 1))gydF4y2Ba2gydF4y2Ba/ 2gydF4y2Ba |
软件可实现二进制损失,损失是0.5时gydF4y2BaygydF4y2BajgydF4y2Ba= 0,骨料使用二进制的平均值的学习者。gydF4y2Ba
请不要将二进制损失与整体分类损失(指定的吗gydF4y2BaLossFungydF4y2Ba
名称-值参数的gydF4y2BakfoldLossgydF4y2Ba
和gydF4y2BakfoldPredictgydF4y2Ba
对象函数),该措施如何ECOC分类器性能作为一个整体。gydF4y2Ba
分类保证金gydF4y2Ba
的gydF4y2Ba分类保证金gydF4y2Ba之间的区别是,对于每一个观察,真正的类的消极损失和错误之间的最大负损失类。如果利润相同的规模,那么他们作为分类信心措施。在多个分类器,那些产生更大的利润更好。gydF4y2Ba
引用gydF4y2Ba
[1]Allwein E。,R. Schapire, and Y. Singer. “Reducing multiclass to binary: A unifying approach for margin classifiers.”机器学习研究杂志》上gydF4y2Ba。1卷,2000年,页113 - 141。gydF4y2Ba
[2]Escalera, S。,O. Pujol, and P. Radeva. “Separability of ternary codes for sparse designs of error-correcting output codes.”Recog模式。列托人。gydF4y2Ba问题3,卷。30日,2009年,页285 - 297。gydF4y2Ba
[3]Escalera, S。,O. Pujol, and P. Radeva. “On the decoding process in ternary error-correcting output codes.”IEEE模式分析与机器智能gydF4y2Ba。32卷,问题7,2010年,页120 - 134。gydF4y2Ba
扩展功能gydF4y2Ba
自动并行支持金宝appgydF4y2Ba
加速代码通过自动运行并行计算使用并行计算工具箱™。gydF4y2Ba
并行运行,指定gydF4y2Ba“选项”gydF4y2Ba
名称-值参数在调用这个函数,设置gydF4y2Ba“UseParallel”gydF4y2Ba
选择结构领域gydF4y2Ba真正的gydF4y2Ba
使用gydF4y2BastatsetgydF4y2Ba
。gydF4y2Ba
例如:gydF4y2Ba“选项”,statset (UseParallel,真的)gydF4y2Ba
关于并行计算的更多信息,请参阅gydF4y2BaMATLAB函数自动并行支持运行金宝appgydF4y2Ba(并行计算工具箱)gydF4y2Ba。gydF4y2Ba
版本历史gydF4y2Ba
介绍了R2016agydF4y2Ba
另请参阅gydF4y2Ba
ClassificationPartitionedLinearECOCgydF4y2Ba
|gydF4y2BakfoldEdgegydF4y2Ba
|gydF4y2BaClassificationLineargydF4y2Ba
|gydF4y2BakfoldPredictgydF4y2Ba
|gydF4y2Ba保证金gydF4y2Ba
예제열기gydF4y2Ba
이예제의수정된버전이있습니다。사용자가편집한내용을반영하여이예제를여시겠습니까?gydF4y2Ba
MATLAB명령gydF4y2Ba
다음MATLAB명령에해당하는링크를클릭했습니다。gydF4y2Ba
명령을실행하려면MATLAB명령창에입력하십시오。웹브라우저는MATLAB명령을지원하지않습니다。gydF4y2Ba
选择一个网站gydF4y2Ba
选择一个网站翻译内容,看到当地事件和提供。根据你的位置,我们建议您选择:gydF4y2Ba。gydF4y2Ba
你也可以从下面的列表中选择一个网站:gydF4y2Ba
表现最好的网站怎么走吗gydF4y2Ba
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。gydF4y2Ba
美洲gydF4y2Ba
- 美国拉丁gydF4y2Ba(西班牙语)gydF4y2Ba
- 加拿大gydF4y2Ba(英语)gydF4y2Ba
- 美国gydF4y2Ba(英语)gydF4y2Ba
欧洲gydF4y2Ba
- 比利时gydF4y2Ba(英语)gydF4y2Ba
- 丹麦gydF4y2Ba(英语)gydF4y2Ba
- 德国gydF4y2Ba(德语)gydF4y2Ba
- 西班牙gydF4y2Ba(西班牙语)gydF4y2Ba
- 芬兰gydF4y2Ba(英语)gydF4y2Ba
- 法国gydF4y2Ba(法语)gydF4y2Ba
- 爱尔兰gydF4y2Ba(英语)gydF4y2Ba
- 意大利gydF4y2Ba(意大利语)gydF4y2Ba
- 卢森堡gydF4y2Ba(英语)gydF4y2Ba
- 荷兰gydF4y2Ba(英语)gydF4y2Ba
- 挪威gydF4y2Ba(英语)gydF4y2Ba
- 奥地利gydF4y2Ba(德语)gydF4y2Ba
- 葡萄牙gydF4y2Ba(英语)gydF4y2Ba
- 瑞典gydF4y2Ba(英语)gydF4y2Ba
- 瑞士gydF4y2Ba
- 联合王国gydF4y2Ba(英语)gydF4y2Ba
亚太地区gydF4y2Ba
- 澳大利亚gydF4y2Ba(英语)gydF4y2Ba
- 印度gydF4y2Ba(英语)gydF4y2Ba
- 新西兰gydF4y2Ba(英语)gydF4y2Ba
- 中国gydF4y2Ba
- 日本gydF4y2Ba(日本語)gydF4y2Ba
- 한국gydF4y2Ba(한국어)gydF4y2Ba