kfoldMargingydF4y2Ba

分类利润率观察中未使用培训gydF4y2Ba

语法gydF4y2Ba

m = kfoldMargin (CVMdl)gydF4y2Ba

m = kfoldMargin (CVMdl、名称、值)gydF4y2Ba

描述gydF4y2Ba

米gydF4y2Ba= kfoldMargin (gydF4y2BaCVMdlgydF4y2Ba)gydF4y2Ba返回旨在gydF4y2Ba分类的利润率gydF4y2Ba获得的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

例子gydF4y2Ba

米gydF4y2Ba= kfoldMargin (gydF4y2BaCVMdlgydF4y2Ba,gydF4y2Ba名称,值gydF4y2Ba)gydF4y2Ba使用指定的一个或多个额外的选项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

全部展开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,gydF4y2BaCrossValgydF4y2Ba
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gydF4y2BaygydF4y2Ba_jgydF4y2Ba是为特定的二进制类标签的学习者(集合{1 1 0}),gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba观察分数吗gydF4y2BajgydF4y2Ba,gydF4y2BaggydF4y2Ba(gydF4y2BaygydF4y2Ba_jgydF4y2Ba,gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba)是二进制损失公式。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	日志(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	日志[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

软件可实现二进制损失,损失是0.5时gydF4y2BaygydF4y2Ba_jgydF4y2Ba= 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,gydF4y2BacustomFunctiongydF4y2Ba,为其指定一个函数处理gydF4y2BaBinaryLoss, @customFunctiongydF4y2Ba。gydF4y2Ba
customFunctiongydF4y2Ba应该有这种形式gydF4y2Ba
```
布劳斯= customFunction (M s)gydF4y2Ba
```
地点: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。gydF4y2Ba
- KgydF4y2Ba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gydF4y2BaBinaryLossgydF4y2Ba是gydF4y2Ba“枢纽”gydF4y2Ba
逻辑回归,然后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`

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gydF4y2Ba`statsetgydF4y2Ba`

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)|gydF4y2Ba`1gydF4y2Ba`

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

全部展开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我gydF4y2Ba,gydF4y2BajgydF4y2Ba)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gydF4y2BaMdl.Lambda (gydF4y2BajgydF4y2Ba)gydF4y2Ba。gydF4y2Ba

例子gydF4y2Ba

全部展开gydF4y2Ba

估计gydF4y2BakgydF4y2Ba倍交叉验证的利润率gydF4y2Ba

打开生活的脚本gydF4y2Ba

加载NLP数据集。gydF4y2Ba

负载gydF4y2BanlpdatagydF4y2Ba

XgydF4y2Ba是一个稀疏矩阵的预测数据,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

图包含一个坐标轴对象。坐标轴对象与标题旨在分配利润包含7线类型的对象。gydF4y2Ba

特征选择使用gydF4y2BakgydF4y2Ba倍的利润gydF4y2Ba

打开生活的脚本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。gydF4y2Ba
partXgydF4y2Ba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

图包含一个坐标轴对象。坐标轴对象与标题旨在分配利润包含14线类型的对象。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

打开生活的脚本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 $1gydF4y2Ba {0gydF4y2Ba}^{- - - - - -gydF4y2Ba 8gydF4y2Ba}$ 通过gydF4y2Ba $1gydF4y2Ba {0gydF4y2Ba}^{1gydF4y2Ba}$ 。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

图包含一个坐标轴对象。坐标轴对象包含77行类型的对象。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

全部展开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gydF4y2Ba_kjgydF4y2Ba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gydF4y2Ba_jgydF4y2Ba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
$\overset{^gydF4y2Ba}{kgydF4y2Ba}$ 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。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

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

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appgydF4y2BaygydF4y2Ba_jgydF4y2Ba是一个类标签特定二进制学习者(集合{1 1 0}),gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba观察分数吗gydF4y2BajgydF4y2Ba,gydF4y2BaggydF4y2Ba(gydF4y2BaygydF4y2Ba_jgydF4y2Ba,gydF4y2Ba年代gydF4y2Ba_jgydF4y2Ba)是二进制损失函数。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	日志(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	日志[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

软件可实现二进制损失,损失是0.5时gydF4y2BaygydF4y2Ba_jgydF4y2Ba= 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

kfoldMargingydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

输入参数gydF4y2Ba

CVMdlgydF4y2Ba- - - - - -gydF4y2Ba旨在,ECOC模型组成的线性分类模型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

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

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

输出参数gydF4y2Ba

米gydF4y2Ba——旨在分类利润率gydF4y2Ba数值向量|数字矩阵gydF4y2Ba

例子gydF4y2Ba

估计gydF4y2BakgydF4y2Ba倍交叉验证的利润率gydF4y2Ba

特征选择使用gydF4y2BakgydF4y2Ba倍的利润gydF4y2Ba

找到好的使用套索处罚gydF4y2BakgydF4y2Ba倍的利润gydF4y2Ba

更多关于gydF4y2Ba

二元损失gydF4y2Ba

分类保证金gydF4y2Ba

引用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

版本历史gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

`CVMdlgydF4y2Ba`- - - - - -gydF4y2Ba旨在,ECOC模型组成的线性分类模型gydF4y2Ba
`ClassificationPartitionedLinearECOCgydF4y2Ba`模型对象gydF4y2Ba

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

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

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

`米gydF4y2Ba`——旨在分类利润率gydF4y2Ba
数值向量|数字矩阵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