CompactClassificationSVM

用于一类和二值分金宝app类的紧凑型支持向量机

全部展开页面

描述

CompactClassificationSVM是支持向量机(SVM)分类器的紧凑版本。金宝app紧凑分类器不包括用于训练SVM分类器的数据。因此，您不能使用紧凑分类器执行某些任务，例如交叉验证。使用一个紧凑的SVM分类器来完成一些任务，例如预测新数据的标签。

创建

创建一个CompactClassificationSVM从一个训练有素的完整的分类VM分类器通过使用契约．

属性

全部展开

支持向量机特性

`α`- - - - - -训练分类器系数
数值向量

此属性是只读的。

经过训练的分类器系数，指定为年代-乘以1的数值向量。年代为所训练分类器中支持向量的个数，金宝app总和(Mdl.IsS金宝appupportVector)．

α包含对偶问题训练的分类器系数，即估计的拉格朗日乘数。如果您使用移除的副本的名称-值对参数fitcsvm，那么对于给定的一组重复观测，这些观测是支持向量，金宝appα包含一个系数对应于整个集合。也就是说,MATLAB^®将非零系数赋给从一组重复数据中得到的一个观测值，并将系数赋给0到集合中所有其他重复的观测值。

数据类型:单|双

`β`- - - - - -线性预测系数
数值向量

此属性是只读的。

线性预测系数，指定为数值向量。长度β等于用于训练模型的预测器的数量。

MATLAB利用全哑编码扩展预测数据中的分类变量。即MATLAB为每个类别变量的每一层创建一个虚拟变量。β为每个预测变量(包括虚拟变量)存储一个值。例如，如果有三个预测因子，其中一个是有三个层次的分类变量，那么β是包含五个值的数字向量。

如果核参数函数是“线性”，然后分类评分进行观察x是

$f （ x ）＝（ x / 年代） ” β + b ．$

Mdl商店β，b,年代在属性β，偏见,KernelParameters。规模,分别。

要手动估计分类分数，必须首先对训练期间应用的预测器数据应用任何转换。具体地说，如果你指定的话“标准化”,真的当使用fitcsvm，则必须使用平均值手动标准化预测数据Mdl。μ和标准偏差Mdl。σ，然后将结果除以内核规模Mdl.KernelParameters.Scale．

支持向量机的所有函数，如resubPredict和预测，在评估之前应用任何需要的转换。

如果核参数函数不是“线性”,然后β是空的([]）.

数据类型:单|双

`偏见`- - - - - -偏见术语
标量

此属性是只读的。

偏置项，指定为标量。

数据类型:单|双

`KernelParameters`- - - - - -内核参数
结构阵列

此属性是只读的。

内核参数，指定为结构数组。内核参数属性包含该表中列出的字段。

场	描述
函数	核函数用来计算的元素格拉姆矩阵。有关详情，请参阅`“KernelFunction”`．
规模	核比例参数，用于缩放模型训练所依据的预测数据的所有元素。有关详细信息，请参阅`“KernelScale”`．

的值KernelParameters，使用点符号。例如,Mdl.KernelParameters.Scale显示内核比例参数值。

软件接受KernelParameters作为输入，而不修改它们。

数据类型:结构体

`金宝appSupportVectorLabels`- - - - - -金宝app支持向量类标签
年代1数字矢量

此属性是只读的。

金宝app支持向量类标签，指定为年代-乘以1的数值向量。年代为所训练分类器中支持向量的个数，金宝app总和(Mdl.IsS金宝appupportVector)．

的值＋１在金宝appSupportVectorLabels表示对应的支持向量属于正类(金宝app一会{2}）.的值1表示对应的支持向量属于负类(金宝app一会{1}）.

如果您使用移除的副本的名称-值对参数fitcsvm，那么对于给定的一组重复观测，这些观测是支持向量，金宝app金宝appSupportVectorLabels包含一个唯一的支持向量标签。金宝app

数据类型:单|双

`金宝appSupportVectors`- - - - - -金宝app支持向量
年代-借-p数字矩阵

此属性是只读的。

金宝app训练分类器中的支持向量，指定为年代-借-p数字矩阵。年代为所训练分类器中支持向量的个数，金宝app总和(Mdl.IsS金宝appupportVector),p为预测数据中预测变量的个数。

金宝appSupportVectors包含预测器数据的行XMATLAB认为是支持向量。金宝app如果您指定“标准化”,真的在训练SVM分类器时使用fitcsvm,然后金宝appSupportVectors的标准化行X．

如果您使用移除的副本的名称-值对参数fitcsvm，那么对于给定的一组重复观测，这些观测是支持向量，金宝app金宝appSupportVectors包含一个唯一的支持向量。金宝app

数据类型:单|双

其他分类属性

`分类预测因子`- - - - - -分类预测指标
正整数向量|`[]`

此属性是只读的。

分类预测指标，指定为一个正整数向量。分类预测因子包含指示对应的预测器是分类的索引值。索引值在1到之间p,在那里p是用于训练模型的预测数。如果没有一个预测值是分类的，则此属性为空([]）.

数据类型:双

`一会`- - - - - -独特的类标签
分类数组|字符数组|逻辑向量|数值向量|字符向量的单元格数组

此属性是只读的。

训练中使用的唯一类标签，指定为类别或字符数组、逻辑或数字向量或字符向量的单元数组。一会具有与类标签相同的数据类型Y．(该软件将字符串数组视为字符向量的单元格数组。)一会也决定了类的顺序。

数据类型:单|双|逻辑|烧焦|细胞|明确的

`费用`- - - - - -误分类成本
数值方阵

此属性是只读的。

误分类代价，用数值方阵表示，其中成本(i, j)将一个点分类的成本是多少j如果它真正的阶级是我．

在培训期间，软件通过合并成本矩阵中描述的惩罚来更新先验概率。

对两种学习,费用总是有这种形式:成本(i, j) = 1如果我~ = j,成本(i, j) = 0如果我=我这个rows correspond to the true class and the columns correspond to the predicted class. The order of the rows and columns of费用中类的顺序一会．
看到下面成了学习,成本= 0．

有关详细信息，请参见算法．

数据类型:双

`扩展预测器名称`- - - - - -扩大了预测的名字
字符向量的单元格数组

此属性是只读的。

扩展的预测器名称，指定为字符向量的单元格数组。

如果模型对分类变量使用虚拟变量编码，则扩展预测器名称包括描述扩展变量的名称。否则,扩展预测器名称是一样的预测器名称．

数据类型:细胞

`μ`- - - - - -预测方法
数值向量|`[]`

此属性是只读的。

预测器表示，指定为数值向量。如果您指定“标准化”,1或“标准化”,真的当你使用fitcsvm，然后是μ等于预测器的数量。

MATLAB利用全哑编码扩展预测数据中的分类变量。即MATLAB为每个类别变量的每一层创建一个虚拟变量。μ为每个预测变量（包括虚拟变量）存储一个值。但是，MATLAB不标准化包含分类变量的列。

如果你设置“标准化”，错当您使用fitcsvm,然后μ为空向量([]）.

数据类型:单|双

`预测器名称`- - - - - -预测变量的名字
字符向量的单元格数组

此属性是只读的。

预测器变量名，指定为字符向量的单元格数组。元素的顺序预测器名称对应于预测器名称在训练数据中出现的顺序。

数据类型:细胞

`之前`- - - - - -先验概率
数值向量

此属性是只读的。

每个类的先验概率，指定为数字向量。元素的顺序之前对应的元素Mdl。一会．

对于两类学习，如果你指定一个成本矩阵，软件就会通过合并成本矩阵中描述的惩罚来更新先验概率。

有关详细信息，请参见算法．

数据类型:单|双

`分数变换`- - - - - -分数转换
特征向量|函数处理

分数转换，指定为字符向量或函数句柄。分数变换表示用于转换预测分类分数的内置转换函数或函数句柄。

将分数转换函数改为函数，例如，使用点符号。

对于内置函数，请输入字符向量。

Mdl。ScoreTransform = '函数'；

该表描述了可用的内置函数。

价值	描述
`“doublelogit”`	1/(1 +e^2x）
`“invlogit”`	日志(x/ (1 -x)）
`“ismax”`	将分数最大的班级的分数设置为1，并将所有其他班级的分数设置为0
`分对数的`	1/(1 +e^{- - - - - -x}）
`“没有”`或`“身份”`	x(转换)
`“标志”`	1x< 0 为0x= 0 1x> 0
`“对称”`	2x- 1
`“symmetricismax”`	将得分最高的类的分数设置为1，并将所有其他类的分数设置为-1
`“symmetriclogit”`	2 / (1 +e^{- - - - - -x}) - 1

对于MATLAB函数或您定义的函数，输入其函数句柄。
```
Mdl。ScoreTransform = @函数；
```
函数必须接受一个矩阵(原始分数)并返回一个相同大小的矩阵(转换分数)。

数据类型:烧焦|function_handle

`σ`- - - - - -预测标准差
`[]`(默认)|数值向量

此属性是只读的。

预测标准偏差，指定为数值向量。

如果您指定“标准化”,真的当您使用fitcsvm，然后是σ等于预测变量的个数。

MATLAB利用全哑编码扩展预测数据中的分类变量。即MATLAB为每个类别变量的每一层创建一个虚拟变量。σ为每个预测变量（包括虚拟变量）存储一个值。但是，MATLAB不标准化包含分类变量的列。

如果你设置“标准化”，错当您使用fitcsvm,然后σ为空向量([]）.

数据类型:单|双

对象的功能

`compareHoldout`	使用新数据比较两种分类模型的准确度
`discard金宝appSupportVectors`	丢弃线性支持向量金宝app机分类器的支持向量
`边缘`	为支持向量机分类器寻找分类边缘金宝app
`fitPosterior`	拟合紧凑支持向量机分类器的后验概率金宝app
`incrementalLearner`	将二值分类支持向量机模型转换为增量学习器金宝app
`石灰`	局部可解释的模型不可知解释(LIME)
`损失`	查找支持向量机分类器的分类错误金宝app
`保证金`	为支持向量机（SVM）分类器寻找分类边界金宝app
`partialDependence`	计算部分依赖
`plotPartialDependence`	创建部分依赖图(PDP)和个人条件期望图(ICE)
`预测`	使用支持向量机分类器对观测数据进行分类金宝app
`沙普利`	沙普利值
`更新`	更新代码生成的模型参数

例子

全部折叠

减小支持向量机分类器的尺寸

打开生活的脚本

通过去除训练数据来减小全支持向量机分类器的大小。金宝app全SVM分类器(即，分类VM分类器)保存训练数据。为了提高效率，使用较小的分类器。

加载电离层数据集。

负载电离层

训练SVM分类器。标准化预测器数据并指定类的顺序。

SVMModel = fitcsvm (X, Y,“标准化”,真的,．．．“类名”, {“b”，‘g’})

[] ClassNames: {'b' ' 'g'} ScoreTransform: 'none' 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…Sigma:[0.3112 0 0.4977 0.4414 0.5199 0.4608 0.4927…][351x1 double] ConvergenceInfo: [1x1 struct] IsSupportVector: [35金宝app1x1 logical] Solver: 'SMO'属性，方法

SVMModel是一个分类VM分类器。

减小支持向量机分类器的大小。

CompactSVMModel =紧凑(SVMModel)

CompactSVMModel = CompactClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' ' 'g'} ScoreTransform: 'none' Alpha: [90x1 double] Bias: -0.1342 KernelParameters: [1x1 struct] Mu:[0.8917 0 0.6413 0.0444 0.6011 0.1159 0.5501…Sigma:[0.3112 0 0.4977 0.4414 0.5199 0.4608 0.4927…]Su金宝apppportVectors: [90x34 double] SupportVectorLabels: [90x1 double]属性，方法

压缩模型是一个CompactClassificationSVM分类器。

显示每个分类器使用的内存量。

谁(“SVMModel”，“CompactSVMModel”）

Name Size Bytes Class Attributes CompactSVMModel 1x1 31058 classreg.learning.category . compactclassificationsvm SVMModel 1x1 141148 ClassificationSVM

完整的SVM分类器(SVMModel)比紧凑型SVM分类器大四倍以上(压缩模型）.

为了有效地标记新的观察结果，您可以删除SVMModel从MATLAB®工作空间，然后通过压缩模型和新的预测值预测．

为了进一步减小紧凑的SVM分类器的尺寸，使用discard金宝appSupportVectors函数丢弃支持向量。金宝app

训练和交叉验证SVM分类器

打开生活的脚本

加载电离层数据集。

负载电离层

训练并交叉验证支持向量机分类器。标准化预测数据并指定类的顺序。

rng（1）；%为了再现性CVSVMModel = fitcsvm (X, Y,“标准化”,真的,．．．“类名”, {“b”，‘g’},“CrossVal”，“上”）

CVSVMModel = ClassificationPartitionedModel CrossValidatedModel: 'SVM' PredictorNames: {1x34 cell} ResponseName: 'Y' NumObservations: 351 KFold: 10 Partition: [1x1 cvpartition] ClassNames: {'b' ' 'g'} ScoreTransform: 'none'属性，方法

CVSVMModel是一个ClassificationPartitionedModel旨在支持向量机分类器。默认情况下，该软件实现10倍交叉验证。

或者，您可以交叉验证一个经过培训的分类VM将它传递给crossval．

使用点符号检查一个训练过的折叠。

CVSVMModel。训练有素的{1}

ans = CompactClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' ' 'g'} ScoreTransform: 'none' Alpha: [78x1 double] Bias: -0.2209 KernelParameters: [1x1 struct] Mu:[0.8888 0 0.6320 0.0406 0.5931 0.1205 0.5361…Sigma:[0.3149 0 0.5033 0.4441 0.5255 0.4663 0.4987…Su金宝apppportVectors: [78x34 double] SupportVectorLabels: [78x1 double]属性，方法

每个褶皱都是一个褶皱CompactClassificationSVM分类器对90%的数据进行训练。

估计泛化误差。

genError = kfoldLoss (CVSVMModel)

genError = 0.1168

平均而言，泛化误差约为12%。

工具书类

Hastie, T.， R. Tibshirani, J. Friedman。统计学习的要素,第二版。纽约:施普林格,2008年。

Scholkopf, B.， J. C. Platt, J. C. shaw - taylor, A. J. Smola, R. C. Williamson。"估算高维分布的支持度"金宝app神经计算．第13卷，第7期，2001年，1443-1471页。

克里斯汀尼尼，N。c。肖-泰勒。支持向量机和其他基于核的学习方法简介金宝app英国剑桥：剑桥大学出版社，2000年。

[4] Scholkopf, B.和A. Smola。核学习:支持向量机，正则化，优化和超越，自适应金宝app计算和机器学习。麻省剑桥：麻省理工学院出版社，2002年。

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项及限制:

的预测和更新函数支持代码生成。金宝app
将SVM分类模型的预测集成到Simulink中金宝app^®，你可以使用ClassificationSVM预测在统计和机器学习工具箱™库或MATLAB函数块预测函数。
当您使用fitcsvm，适用以下限制。
- 价值“ScoreTransform”名称-值对参数不能是匿名函数。为生成代码，预测后验概率给定的新观察，通过训练的支持向量机模型fitPosterior或fitSVMPosterior这个分数变换属性包含一个匿名函数，该函数表示得分后向概率函数，并配置用于代码生成。
- 对于定点代码生成，“ScoreTransform”名称-值对参数不能为“invlogit”．同时，它的价值“KernelFunction”名称-值对参数必须为“高斯”，“线性”,或多项式的．
- 对于定点代码生成和带有编码器配置器的代码生成，适用以下附加限制。
  - 分类预测(逻辑，明确的，烧焦，字符串,或细胞)不支持。金宝app你不能使用“CategoricalPredictors”名称值参数。要在模型中包含分类预测器，可以使用dummyvar在拟合模型之前。
  - 类标签的明确的不支持数据类型。金宝app训练数据中的类标签值(Tbl或Y的价值“类名”属性的名称-值参数不能是数组明确的数据类型。

有关详细信息，请参阅代码生成简介．

另请参阅

分类VM|fitcsvm|契约|discard金宝appSupportVectors

主题

介绍了R2014a

CompactClassificationSVM

描述

创建

属性

支持向量机特性

`α`- - - - - -训练分类器系数
数值向量

`β`- - - - - -线性预测系数
数值向量

`偏见`- - - - - -偏见术语
标量

`KernelParameters`- - - - - -内核参数
结构阵列

`金宝appSupportVectorLabels`- - - - - -金宝app支持向量类标签
年代1数字矢量

`金宝appSupportVectors`- - - - - -金宝app支持向量
年代-借-p数字矩阵

其他分类属性

`分类预测因子`- - - - - -分类预测指标
正整数向量|`[]`

`一会`- - - - - -独特的类标签
分类数组|字符数组|逻辑向量|数值向量|字符向量的单元格数组

`费用`- - - - - -误分类成本
数值方阵

`扩展预测器名称`- - - - - -扩大了预测的名字
字符向量的单元格数组

`μ`- - - - - -预测方法
数值向量|`[]`

`预测器名称`- - - - - -预测变量的名字
字符向量的单元格数组

`之前`- - - - - -先验概率
数值向量

`分数变换`- - - - - -分数转换
特征向量|函数处理

`σ`- - - - - -预测标准差
`[]`(默认)|数值向量

对象的功能

例子

减小支持向量机分类器的尺寸

训练和交叉验证SVM分类器

工具书类

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

另请参阅

主题

统计和机器学习工具箱文档

金宝app

掌握机器学习:一步一步的指导与MATLAB

CompactClassificationSVM

描述

创建

属性

支持向量机特性

α- - - - - -训练分类器系数数值向量

β- - - - - -线性预测系数数值向量

偏见- - - - - -偏见术语标量

KernelParameters- - - - - -内核参数结构阵列

金宝appSupportVectorLabels- - - - - -金宝app支持向量类标签年代1数字矢量

金宝appSupportVectors- - - - - -金宝app支持向量年代-借-p数字矩阵

其他分类属性

分类预测因子- - - - - -分类预测指标正整数向量|[]

一会- - - - - -独特的类标签分类数组|字符数组|逻辑向量|数值向量|字符向量的单元格数组

费用- - - - - -误分类成本数值方阵

扩展预测器名称- - - - - -扩大了预测的名字字符向量的单元格数组

μ- - - - - -预测方法数值向量|[]

预测器名称- - - - - -预测变量的名字字符向量的单元格数组

之前- - - - - -先验概率数值向量

分数变换- - - - - -分数转换特征向量|函数处理

σ- - - - - -预测标准差[](默认)|数值向量

对象的功能

例子

减小支持向量机分类器的尺寸

训练和交叉验证SVM分类器

工具书类

扩展功能

C / c++代码生成使用MATLAB®Coder™生成C和c++代码。

另请参阅

主题

统计和机器学习工具箱文档

金宝app

掌握机器学习:一步一步的指导与MATLAB

`α`- - - - - -训练分类器系数
数值向量

`β`- - - - - -线性预测系数
数值向量

`偏见`- - - - - -偏见术语
标量

`KernelParameters`- - - - - -内核参数
结构阵列

`金宝appSupportVectorLabels`- - - - - -金宝app支持向量类标签
年代1数字矢量

`金宝appSupportVectors`- - - - - -金宝app支持向量
年代-借-p数字矩阵

`分类预测因子`- - - - - -分类预测指标
正整数向量|`[]`

`一会`- - - - - -独特的类标签
分类数组|字符数组|逻辑向量|数值向量|字符向量的单元格数组

`费用`- - - - - -误分类成本
数值方阵

`扩展预测器名称`- - - - - -扩大了预测的名字
字符向量的单元格数组

`μ`- - - - - -预测方法
数值向量|`[]`

`预测器名称`- - - - - -预测变量的名字
字符向量的单元格数组

`之前`- - - - - -先验概率
数值向量

`分数变换`- - - - - -分数转换
特征向量|函数处理

`σ`- - - - - -预测标准差
`[]`(默认)|数值向量

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。