ClassificationPartitionedLinearECOC
包:classreg.learning.partition
超类:ClassificationPartitionedModel
旨在为多级线性纠错输出编码模型高维数据的分类
描述
ClassificationPartitionedLinearECOC是一组纠错输出编码(ECOC)模型组成的线性分类模型,训练旨在折叠。估计的质量分类交叉验证使用一个或多个“kfold”功能:kfoldPredict,kfoldLoss,kfoldMargin,kfoldEdge。
每个“kfold”方法使用模型训练的观测预测out-of-fold观察的反应。例如,假设您旨在使用5折。在这种情况下,软件随机分配每个观测到大约五个大小相同的组。的培训褶皱包含四个组的(也就是说,约4/5的数据)和测试褶皱包含另一组(即约1/5的数据)。在这种情况下,交叉验证所得如下。
软件培训(存储在第一个模型
CVMdl.Trained {1})使用观察过去四组和储备第一组的观测验证。软件培训(存储在第二个模型
CVMdl.Trained {2})使用观察第一组最后三组。软件保留在第二组观察验证。软件收入用在类似的方式是第三,第四,第五模型。
如果验证通过调用kfoldPredict的观测,计算预测使用第一个模型组1,组2第二模式,等等。简而言之,每个观测使用的软件估计响应模型训练没有观察。
请注意
ClassificationPartitionedLinearECOC模型对象不存储预测数据集。
建设
CVMdl = fitcecoc (X, Y,“学习者”,t,名称,值)返回一个旨在,线性ECOC模型时:
t是“线性”或一个模板对象返回templateLinear。的名字是其中之一“CrossVal”,“CVPartition”,“坚持”,或“KFold”。
更多细节,请参阅fitcecoc。
属性
方法
| kfoldEdge | 分类边观察不用于培训 |
| kfoldLoss | 分类损失的观察中未使用培训 |
| kfoldMargin | 分类利润率观察中未使用培训 |
| kfoldPredict | 预测观察标签不用于培训 |
复制语义
价值。学习如何价值类影响复制操作,明白了复制对象。
例子
创建旨在多级线性分类模型
加载NLP数据集。
负载nlpdata
X是一个稀疏矩阵的预测数据,Y是一个分类向量类的标签。
旨在一个多级线性分类模型,该模型可以确定哪些MATLAB®工具箱一个文档的web页面从基于计数在页面上的单词。
rng (1);%的再现性CVMdl = fitcecoc (X, Y,“学习者”,“线性”,“CrossVal”,“上”)
CVMdl = ClassificationPartitionedLinearECOC CrossValidatedModel:“LinearECOC”ResponseName:“Y”NumObservations: 31572 KFold: 10个分区:[1 x1 cvpartition]类名:[通讯dsp是定点…]ScoreTransform:“没有一个”属性,方法
CVMdl是一个ClassificationPartitionedLinearECOC旨在模型。因为fitcecoc实现了10倍交叉验证默认情况下,CVMdl.Trained包含一个向量十10-by-1细胞CompactClassificationECOC模型包含培训ECOC模型组成的二进制的结果,每个折叠的线性分类模型。
估计标签out-of-fold观察和估计泛化误差通过CVMdl来kfoldPredict和kfoldLoss,分别。
oofLabels = kfoldPredict (CVMdl);通用电气= kfoldLoss (CVMdl)
通用电气(ge) = 0.0958
观察分类错误估计泛化误差约为10%。
提高泛化误差,尝试指定另一个解算器,如LBFGS。改变缺省选项当训练ECOC模型组成的线性分类模型,创建一个线性分类模型模板使用templateLinear,然后通过模板fitcecoc。
找到好的套索惩罚使用交叉验证
确定好lasso-penalty强度ECOC模型组成的线性分类模型,使用逻辑回归的学习者,实现5倍交叉验证。
加载NLP数据集。
负载nlpdata
X是一个稀疏矩阵的预测数据,Y是一个分类向量类的标签。
为简单起见,使用标签的别人的观察Y不“金宝app模型”,“dsp”,或“通讯”。
Y (~ (ismember (Y, {“金宝app模型”,“dsp”,“通讯”})))=“别人”;
创建一组11对数间隔正则化的优势 通过 。
λ= logspace (7 2 11);
创建一个线性分类模型模板,指定使用逻辑回归的学习者,使用套索处罚与优势λ使用SpaRSA,火车,和更低的目标函数的梯度的宽容1 e-8。
t = templateLinear (“学习者”,“物流”,“规划求解”,“sparsa”,…“正规化”,“套索”,“λ”λ,“GradientTolerance”1 e-8);
旨在模型。提高执行速度,转置预测数据和指定列的观测。
X = X ';rng (10);%的再现性CVMdl = fitcecoc (X, Y,“学习者”t“ObservationsIn”,“列”,“KFold”5);
CVMdl是一个ClassificationPartitionedLinearECOC模型。
解剖CVMdl,每一个模型。
numECOCModels =元素个数(CVMdl.Trained)
numECOCModels = 5
ECOCMdl1 = CVMdl.Trained {1}
ECOCMdl1 = CompactClassificationECOC ResponseName:“Y”类名:[通讯dsp仿真软件别人]ScoreTra金宝appnsform:“没有一个”BinaryLearners:{6×1细胞}CodingMatrix: 4×6双属性,方法
numCLModels =元素个数(ECOCMdl1.BinaryLearners)
numCLModels = 6
CLMdl1 = ECOCMdl1.BinaryLearners {1}
CLMdl1 = ClassificationLinear ResponseName:“Y”类名:[1]ScoreTransform:分对数的β:[34023×11双]偏见:[-0.3169 -0.3169 -0.3168 -0.3168 -0.3168 -0.3167 -0.1725 -0.0805 -0.1762 -0.3450 -0.5174]λ:[1.0000 3.1623 1.0000 3.1623 1.0000 3.1623 e-07 e-07 e-06 e-06 e-05 e-05 1.0000 e-04 3.1623 e-04 1.0000 e 03 0.0032 - 0.0100]学习者:“物流”属性,方法
因为fitcecoc实现5倍交叉验证,CVMdl包含一个5-by-1单元阵列CompactClassificationECOC火车在每个折叠模型软件。的BinaryLearners财产的CompactClassificationECOC模型包含了ClassificationLinear模型。的数量ClassificationLinear模型在每个紧凑ECOC模型取决于不同的标签的数量和编码设计。因为λ是一个序列的正则化的优势,你能想到什么CLMdl111岁的模型,每个正规化的力量在一个λ。
了解的模型推广策划5倍的平均分类误差为每个正则化的力量。确定最小化泛化误差的正则化强度在网格中。
ce = kfoldLoss (CVMdl);图;情节(log10(λ)log10 (ce)) [~, minCEIdx] = min (ce);minLambda =λ(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
火车一个ECOC模型组成的线性分类模型使用整个数据集,并指定最小正规化的力量。
t = templateLinear (“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”);
为新观测估计标签,通过MdlFinal和新数据预测。
