预测gydF4y2Ba
使用多级分类观察纠错输出编码(ECOC)模型gydF4y2Ba
语法gydF4y2Ba
描述gydF4y2Ba
返回一个向量的预测类标签(gydF4y2Ba标签gydF4y2Ba
=预测(gydF4y2BaMdlgydF4y2Ba
,gydF4y2BaXgydF4y2Ba
)gydF4y2Ba标签gydF4y2Ba
)的预测数据表或矩阵gydF4y2BaXgydF4y2Ba
基于训练多级纠错输出编码(ECOC)模型gydF4y2BaMdlgydF4y2Ba
。训练ECOC模型可以完全或紧凑。gydF4y2Ba
使用附加选项指定一个或多个参数名称-值对。例如,您可以指定后验概率估计方法,解码方案,冗长的水平。gydF4y2Ba标签gydF4y2Ba
=预测(gydF4y2BaMdlgydF4y2Ba
,gydF4y2BaXgydF4y2Ba
,gydF4y2Ba名称,值gydF4y2Ba
)gydF4y2Ba
(gydF4y2Ba
使用任何输入参数组合在前面的语法和另外的回报:gydF4y2Ba标签gydF4y2Ba
,gydF4y2BaNegLossgydF4y2Ba
,gydF4y2BaPBScoregydF4y2Ba
)=预测(gydF4y2Ba___gydF4y2Ba)gydF4y2Ba
一个否定平均数组gydF4y2Ba二进制的损失gydF4y2Ba(gydF4y2Ba
NegLossgydF4y2Ba
)。为每一个观察gydF4y2BaXgydF4y2Ba
,gydF4y2Ba预测gydF4y2Ba
分配的标签类产生最大的否定平均二进制损失(或等价,最小的平均二进制损失)。gydF4y2Ba一个数组positive-class分数(gydF4y2Ba
PBScoregydF4y2Ba
)观察每个二进制分类的学习者。gydF4y2Ba
(gydF4y2Ba
此外返回后类观测概率估计(gydF4y2Ba标签gydF4y2Ba
,gydF4y2BaNegLossgydF4y2Ba
,gydF4y2BaPBScoregydF4y2Ba
,gydF4y2Ba后gydF4y2Ba
)=预测(gydF4y2Ba___gydF4y2Ba)gydF4y2Ba后gydF4y2Ba
)。gydF4y2Ba
获得后验概率类,您必须设置gydF4y2Ba“FitPosterior”,真的gydF4y2Ba
当训练ECOC模型使用gydF4y2BafitcecocgydF4y2Ba
。否则,gydF4y2Ba预测gydF4y2Ba
抛出一个错误。gydF4y2Ba
例子gydF4y2Ba
预测测试样本的标签使用ECOC模型训练数据gydF4y2Ba
加载费雪的虹膜数据集。指定预测数据gydF4y2BaXgydF4y2Ba
响应数据gydF4y2BaYgydF4y2Ba
和类的顺序gydF4y2BaYgydF4y2Ba
。gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2BaX =量;Y =分类(物种);classOrder =独特(Y);rng (1);gydF4y2Ba%的再现性gydF4y2Ba
火车一个ECOC模型使用SVM二元分类器。指定一个抵抗30%样本,规范使用SVM预测模板,并指定类订单。gydF4y2Ba
t = templateSVM (gydF4y2Ba“标准化”gydF4y2Ba,真正的);PMdl = fitcecoc (X, Y,gydF4y2Ba“坚持”gydF4y2Ba,0.30,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“类名”gydF4y2Ba,classOrder);Mdl = PMdl.Trained {1};gydF4y2Ba%提取训练,紧凑的分类器gydF4y2Ba
PMdlgydF4y2Ba
是一个gydF4y2BaClassificationPartitionedECOCgydF4y2Ba
模型。它的属性gydF4y2Ba训练有素的gydF4y2Ba
,1×1细胞数组包含gydF4y2BaCompactClassificationECOCgydF4y2Ba
使用训练集模型的软件培训。gydF4y2Ba
预测测试样本的标签。真正的和预测的标签打印一个随机子集。gydF4y2Ba
testInds =测试(PMdl.Partition);gydF4y2Ba%提取测试指标gydF4y2BaXTest = X (testInds:);欧美= Y (testInds:);标签=预测(Mdl XTest);idx = randsample (sum (testInds), 10);表(欧美(idx),标签(idx),gydF4y2Ba…gydF4y2Ba“VariableNames”gydF4y2Ba,{gydF4y2Ba“TrueLabels”gydF4y2Ba,gydF4y2Ba“PredictedLabels”gydF4y2Ba})gydF4y2Ba
ans =gydF4y2Ba10×2表gydF4y2BaTrueLabels PredictedLabels __________售予setosa setosa杂色的virginica setosa setosa virginica virginica杂色的杂色的setosa setosa virginica virginica virginica virginica setosa setosa setosa setosagydF4y2Ba
MdlgydF4y2Ba
正确的标签除了的一个测试样本的观察指标gydF4y2BaidxgydF4y2Ba
。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
加载费雪的虹膜数据集。指定预测数据gydF4y2BaXgydF4y2Ba
响应数据gydF4y2BaYgydF4y2Ba
和类的顺序gydF4y2BaYgydF4y2Ba
。gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2BaX =量;Y =分类(物种);classOrder =独特(Y);gydF4y2Ba%课堂秩序gydF4y2Barng (1);gydF4y2Ba%的再现性gydF4y2Ba
火车一个ECOC模型使用SVM二元分类器和指定一个抵抗样本的30%。规范使用SVM预测模板,并指定类订单。gydF4y2Ba
t = templateSVM (gydF4y2Ba“标准化”gydF4y2Ba,真正的);PMdl = fitcecoc (X, Y,gydF4y2Ba“坚持”gydF4y2Ba,0.30,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“类名”gydF4y2Ba,classOrder);Mdl = PMdl.Trained {1};gydF4y2Ba%提取训练,紧凑的分类器gydF4y2Ba
PMdlgydF4y2Ba
是一个gydF4y2BaClassificationPartitionedECOCgydF4y2Ba
模型。它的属性gydF4y2Ba训练有素的gydF4y2Ba
,1×1细胞数组包含gydF4y2BaCompactClassificationECOCgydF4y2Ba
使用训练集模型的软件培训。gydF4y2Ba
SVM分数签署了边界距离观测到的决定。因此,gydF4y2Ba 域。创建一个自定义二进制损失函数,如下:gydF4y2Ba
地图的编码设计矩阵(gydF4y2Ba米gydF4y2Ba)和positive-class分类评分(gydF4y2Ba年代gydF4y2Ba)为每一个学习者为每个观察二进制损失。gydF4y2Ba
使用线性的损失。gydF4y2Ba
总二进制学习者使用中值损失。gydF4y2Ba
您可以创建一个单独的二进制损失函数的函数,然后保存在MATLAB®路径。或者,你可以指定一个匿名二进制损失函数。在这种情况下,创建一个函数处理(gydF4y2BacustomBLgydF4y2Ba
)一个匿名二进制损失函数。gydF4y2Ba
customBL = @ (M s)值(1 - (M . * s) 2gydF4y2Ba“omitnan”gydF4y2Ba)/ 2;gydF4y2Ba
预测测试样本标签和估计每个类中位数二进制损失。打印中值负二进制损失每10类随机的一组测试样本观察。gydF4y2Ba
testInds =测试(PMdl.Partition);gydF4y2Ba%提取测试指标gydF4y2BaXTest = X (testInds:);欧美= Y (testInds:);[标签,NegLoss] =预测(Mdl XTest,gydF4y2Ba“BinaryLoss”gydF4y2Ba,customBL);idx = randsample (sum (testInds), 10);classOrdergydF4y2Ba
classOrder =gydF4y2Ba3 x1分类gydF4y2Basetosa杂色的virginicagydF4y2Ba
表(欧美(idx),标签(idx) NegLoss (idx:)gydF4y2Ba“VariableNames”gydF4y2Ba,gydF4y2Ba…gydF4y2Ba{gydF4y2Ba“TrueLabel”gydF4y2Ba,gydF4y2Ba“PredictedLabel”gydF4y2Ba,gydF4y2Ba“NegLoss”gydF4y2Ba})gydF4y2Ba
ans =gydF4y2Ba10×3表gydF4y2Ba__________________________________ TrueLabel PredictedLabel NegLoss __________ * * * setosa杂色的癣virginica 0.1858 1.9878 -3.6736 -1.3315 -0.12361 -0.044843 setosa杂色的0.13891 1.9261 -3.565 virginica virginica -1.513 -0.38284 0.39588杂色的杂色的-0.87221 0.74738 -1.3752 setosa杂色的0.48413 1.9976 -3.9818 virginica virginica -1.936 -0.67566 1.1117 virginica virginica -1.5786 -0.83331 0.91194 setosa杂色的setosa癣0.36128 2.0596 -3.9209 0.51027 2.1211 -4.1314gydF4y2Ba
列的顺序对应的元素gydF4y2BaclassOrdergydF4y2Ba
。软件预测基于最大否定损失的标签。结果表明,中值的线性损失可能不会执行以及其他损失。gydF4y2Ba
使用ECOC分类器估计后验概率gydF4y2Ba
火车一个ECOC使用支持向量机分类器的二进制学习者。首先预测推理标签和类的后验概率。然后预测类最大后验概率在网格中每一点。可视化结果。gydF4y2Ba
加载费雪的虹膜数据集。指定花瓣维度作为预测和物种名称作为响应。gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2BaX =量(:,3:4);Y =物种;rng (1);gydF4y2Ba%的再现性gydF4y2Ba
创建一个支持向量机模板。规范预测,并指定高斯内核。gydF4y2Ba
t = templateSVM (gydF4y2Ba“标准化”gydF4y2Ba,真的,gydF4y2Ba“KernelFunction”gydF4y2Ba,gydF4y2Ba“高斯”gydF4y2Ba);gydF4y2Ba
tgydF4y2Ba
是一个支持向量机模板。它的大部分属性都是空的。当软件列车ECOC分类器时,它将适用的属性设置为默认值。gydF4y2Ba
训练ECOC使用支持向量机分类器的模板。变换分类分数类返回的后验概率(gydF4y2Ba预测gydF4y2Ba
或gydF4y2BaresubPredictgydF4y2Ba
)使用gydF4y2Ba“FitPosterior”gydF4y2Ba
名称-值对的论点。指定类的顺序使用gydF4y2Ba“类名”gydF4y2Ba
名称-值对的论点。利用的训练中显示诊断消息gydF4y2Ba“详细”gydF4y2Ba
名称-值对的论点。gydF4y2Ba
Mdl = fitcecoc (X, Y,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“FitPosterior”gydF4y2Ba,真的,gydF4y2Ba…gydF4y2Ba“类名”gydF4y2Ba,{gydF4y2Ba“setosa”gydF4y2Ba,gydF4y2Ba“多色的”gydF4y2Ba,gydF4y2Ba“virginica”gydF4y2Ba},gydF4y2Ba…gydF4y2Ba“详细”gydF4y2Ba2);gydF4y2Ba
培训二进制学习者1 (SVM) 3 50 - 50的积极的观察。-类指数:2积极类指标:1适合学习者的后验概率1(支持向量机)。培训二进制学习者2 (SVM) 3 50 - 50的积极的观察。-类指数:3积极类指标:1适合学习者的后验概率2(支持向量机)。培训二进制学习者3 (SVM) 3 50 - 50的积极的观察。-类指数:3积极类指数:2适合学习者的后验概率3(支持向量机)。gydF4y2Ba
MdlgydF4y2Ba
是一个gydF4y2BaClassificationECOCgydF4y2Ba
模型。同样的SVM模板适用于每个二进制学习者,但你可以调整选项为每个二进制学习者通过模板向量中的一个细胞。gydF4y2Ba
预测推理标签和类的后验概率。显示诊断消息标签和类的后验概率计算中使用gydF4y2Ba“详细”gydF4y2Ba
名称-值对的论点。gydF4y2Ba
[标签,~,~,后]= resubPredict (Mdl,gydF4y2Ba“详细”gydF4y2Ba1);gydF4y2Ba
从所有学习者都计算预测。所有观测已经计算损失。计算后验概率…gydF4y2Ba
Mdl.BinaryLossgydF4y2Ba
ans =“二次”gydF4y2Ba
软件分配到类的观察意见,这使得收益率最小的二进制平均损失。因为所有的二进制学习者计算后验概率,二进制损失函数gydF4y2Ba二次gydF4y2Ba
。gydF4y2Ba
显示一组随机的结果。gydF4y2Ba
idx = randsample(大小(X, 1), 10日1);Mdl.ClassNamesgydF4y2Ba
ans =gydF4y2Ba3 x1细胞gydF4y2Ba{' setosa}{“癣”}{' virginica '}gydF4y2Ba
表(Y (idx)、标签(idx)、后(idx:)gydF4y2Ba…gydF4y2Ba“VariableNames”gydF4y2Ba,{gydF4y2Ba“TrueLabel”gydF4y2Ba,gydF4y2Ba“PredLabel”gydF4y2Ba,gydF4y2Ba“后”gydF4y2Ba})gydF4y2Ba
ans =gydF4y2Ba10×3表gydF4y2Ba是_____________ ______________________________________ TrueLabel PredLabel后* * * {‘virginica} {‘virginica} 0.0039322 0.003987 0.99208 {‘virginica} {‘virginica} 0.017067 0.018263 0.96467 {‘virginica} {‘virginica} 0.014948 0.015856 0.9692{“癣”}{“癣”}2.2197 e-14 0.87318 - 0.12682 {‘setosa} {‘setosa} 0.999 0.00025092 0.00074638{“癣”}{‘virginica} 2.2195 e-14 0.05943 - 0.94057{“癣”}{“癣”}2.2194 e-14 0.97001 - 0.029985 {‘setosa} {‘setosa} 0.999 0.00024991 0.0007474{“癣”}{“癣”}0.0085642 0.98259 0.0088487 {‘setosa} {‘setosa} 0.999 0.00025013 0.00074717gydF4y2Ba
的列gydF4y2Ba后gydF4y2Ba
对应类的顺序gydF4y2BaMdl.ClassNamesgydF4y2Ba
。gydF4y2Ba
定义一个网格的值观察预测空间。预测网格中的每个实例的后验概率。gydF4y2Ba
xMax = max (X);xMin = min (X);x1Pts = linspace (xMin (1) xMax (1));xMax x2Pts = linspace (xMin (2), (2));[x1Grid, x2Grid] = meshgrid (x1Pts x2Pts);[~,~,~,PosteriorRegion] =预测(Mdl, [x1Grid (:), x2Grid (:)));gydF4y2Ba
每个坐标网格,情节各个阶级的后验概率最大的类。gydF4y2Ba
contourf (x1Grid x2Grid,gydF4y2Ba…gydF4y2Ba重塑(max (PosteriorRegion[], 2),大小(x1Grid, 1),大小(x1Grid, 2)));h = colorbar;h.YLabel。字符串=gydF4y2Ba最大后验的gydF4y2Ba;h.YLabel。字形大小= 15;持有gydF4y2Ba在gydF4y2Bagh = gscatter (X (: 1), X (:, 2), Y,gydF4y2Ba“krk”gydF4y2Ba,gydF4y2Ba‘* xd‘gydF4y2Ba8);gh (2)。l我neWidth = 2; gh(3).LineWidth = 2; title(“虹膜花瓣测量和最大后验”gydF4y2Ba)包含(gydF4y2Ba“花瓣长度(厘米)”gydF4y2Ba)ylabel (gydF4y2Ba“花瓣宽度(cm)”gydF4y2Ba)轴gydF4y2Ba紧gydF4y2Ba传奇(gh,gydF4y2Ba“位置”gydF4y2Ba,gydF4y2Ba“西北”gydF4y2Ba)举行gydF4y2Ba从gydF4y2Ba
使用并行计算测试样本估计后验概率gydF4y2Ba
火车一个多级ECOC使用并行计算模型和估计后验概率。gydF4y2Ba
加载gydF4y2Ba心律失常gydF4y2Ba
数据集。检查响应数据gydF4y2BaYgydF4y2Ba
,并确定类的数量。gydF4y2Ba
负载gydF4y2Ba心律失常gydF4y2BaY =分类(Y);汇总(Y)gydF4y2Ba
值计算百分比1 245 2 54.20% 44 9.73% 3 15 3.32% 4 15 3.32% 5 13 2.88% 6 25 5.53% 7 3 9 9 8 2 0.44% 0.66% 1.99% 10 50 11.06% 14 4 0.88% 15 5 1.11% 16 4.87%gydF4y2Ba
K =元素个数(独特(Y));gydF4y2Ba
几类不代表数据,和许多其他的课程相对较低的频率。gydF4y2Ba
指定一个整体学习模板使用GentleBoost 50弱分类树方法和学习者。gydF4y2Ba
t = templateEnsemble (gydF4y2Ba“GentleBoost”gydF4y2Ba,50岁,gydF4y2Ba“树”gydF4y2Ba);gydF4y2Ba
tgydF4y2Ba
是一个模板对象。它的大部分属性都是空的(gydF4y2Ba[]gydF4y2Ba
)。软件使用培训期间所有空属性的默认值。gydF4y2Ba
因为响应变量包含很多类,指定一个稀疏随机编码设计。gydF4y2Ba
rng (1);gydF4y2Ba%的再现性gydF4y2Ba编码= designecoc (K,gydF4y2Ba“sparserandom”gydF4y2Ba);gydF4y2Ba
火车一个ECOC模型使用并行计算。指定一个抵抗15%样本,后验概率。gydF4y2Ba
池= parpool;gydF4y2Ba%调用工人gydF4y2Ba
开始平行池(parpool)使用“本地”概要文件…连接到平行池(工人数量:6)。gydF4y2Ba
选择= statset (gydF4y2Ba“UseParallel”gydF4y2Ba,真正的);PMdl = fitcecoc (X, Y,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“选项”gydF4y2Ba选项,gydF4y2Ba“编码”gydF4y2Ba、编码、gydF4y2Ba…gydF4y2Ba“FitPosterior”gydF4y2Ba,真的,gydF4y2Ba“坚持”gydF4y2Ba,0.15);Mdl = PMdl.Trained {1};gydF4y2Ba%提取训练,紧凑的分类器gydF4y2Ba
PMdlgydF4y2Ba
是一个gydF4y2BaClassificationPartitionedECOCgydF4y2Ba
模型。它的属性gydF4y2Ba训练有素的gydF4y2Ba
,1×1细胞数组包含gydF4y2BaCompactClassificationECOCgydF4y2Ba
使用训练集模型的软件培训。gydF4y2Ba
池中调用六个工人,虽然系统中工人的数量可能有所不同。gydF4y2Ba
的后验概率估计后验概率,并显示被归类为没有心律失常(第1类)给定一个随机的数据组测试样本的观察。gydF4y2Ba
testInds =测试(PMdl.Partition);gydF4y2Ba%提取测试指标gydF4y2BaXTest = X (testInds:);欧美= Y (testInds:);[~,~,~,后]=预测(Mdl XTest,gydF4y2Ba“选项”gydF4y2Ba、选择);idx = randsample (sum (testInds), 10);表(idx,欧美(idx)、后(idx, 1),gydF4y2Ba…gydF4y2Ba“VariableNames”gydF4y2Ba,{gydF4y2Ba“TestSampleIndex”gydF4y2Ba,gydF4y2Ba“TrueLabel”gydF4y2Ba,gydF4y2Ba“PosteriorNoArrhythmia”gydF4y2Ba})gydF4y2Ba
ans =gydF4y2Ba10×3表gydF4y2BaTestSampleIndex TrueLabel PosteriorNoArrhythmia售予_____ _____________________ 11 6 0.60631 41 4 0.23674 51 2 0.13802 33 10 12 1 0.94332 0.43831 0.96876 8 1 0.97278 37 1 0.62807 24 10 56 16 0.29375 30 1 0.64512gydF4y2Ba
输入参数gydF4y2Ba
MdlgydF4y2Ba
- - - - - -gydF4y2Ba全部或紧凑的多级ECOC模型gydF4y2Ba
ClassificationECOCgydF4y2Ba
模型对象gydF4y2Ba|gydF4y2BaCompactClassificationECOCgydF4y2Ba
模型对象gydF4y2Ba
全部或紧凑的多级ECOC模型,指定为一个gydF4y2BaClassificationECOCgydF4y2Ba
或gydF4y2BaCompactClassificationECOCgydF4y2Ba
模型对象。gydF4y2Ba
创建一个完整的或紧凑ECOC模型中,看到的gydF4y2BaClassificationECOCgydF4y2Ba
或gydF4y2BaCompactClassificationECOCgydF4y2Ba
。gydF4y2Ba
XgydF4y2Ba
- - - - - -gydF4y2Ba预测分类数据gydF4y2Ba
数字矩阵gydF4y2Ba|gydF4y2Ba表gydF4y2Ba
预测数据分类,指定为一个数字矩阵或表。gydF4y2Ba
默认情况下,每一行gydF4y2BaXgydF4y2Ba
对应于一个观察,每一列对应一个变量。gydF4y2Ba
一个数字矩阵:gydF4y2Ba
的变量构成的列gydF4y2Ba
XgydF4y2Ba
必须有相同的订单预测变量的火车吗gydF4y2BaMdlgydF4y2Ba
。gydF4y2Ba如果你训练gydF4y2Ba
MdlgydF4y2Ba
使用一个表(例如,gydF4y2Ba资源描述gydF4y2Ba
),然后gydF4y2BaXgydF4y2Ba
可以是一个数字矩阵如果gydF4y2Ba资源描述gydF4y2Ba
包含所有数值预测变量。将数值预测gydF4y2Ba资源描述gydF4y2Ba
分类在训练、识别分类预测使用gydF4y2BaCategoricalPredictorsgydF4y2Ba
名称-值对的观点gydF4y2BafitcecocgydF4y2Ba
。如果gydF4y2Ba资源描述gydF4y2Ba
包含了异构预测变量(例如,数字和分类数据类型)gydF4y2BaXgydF4y2Ba
是一个数字矩阵,然后呢gydF4y2Ba预测gydF4y2Ba
抛出一个错误。gydF4y2Ba
一个表:gydF4y2Ba
预测gydF4y2Ba
不支持多列变量或细金宝app胞数组以外的细胞阵列的特征向量。gydF4y2Ba如果你训练gydF4y2Ba
MdlgydF4y2Ba
使用一个表(例如,gydF4y2Ba资源描述gydF4y2Ba
),那么所有的预测变量gydF4y2BaXgydF4y2Ba
必须有相同的变量名和数据类型作为预测变量的火车吗gydF4y2BaMdlgydF4y2Ba
(存储在gydF4y2BaMdl.PredictorNamesgydF4y2Ba
)。然而,列的顺序gydF4y2BaXgydF4y2Ba
不需要对应的列顺序gydF4y2Ba资源描述gydF4y2Ba
。这两个gydF4y2Ba资源描述gydF4y2Ba
和gydF4y2BaXgydF4y2Ba
可以包含额外的变量(响应变量,观察体重、等等),但gydF4y2Ba预测gydF4y2Ba
忽略了它们。gydF4y2Ba如果你训练gydF4y2Ba
MdlgydF4y2Ba
使用一个数字矩阵,然后预测名称gydF4y2BaMdl.PredictorNamesgydF4y2Ba
和相应的预测变量名称gydF4y2BaXgydF4y2Ba
必须相同。指定预测名称在训练,看到gydF4y2BaPredictorNamesgydF4y2Ba
名称-值对的观点gydF4y2BafitcecocgydF4y2Ba
。所有的预测变量gydF4y2BaXgydF4y2Ba
必须是数值向量。gydF4y2BaXgydF4y2Ba
可以包含额外的变量(响应变量,观察体重、等等),但gydF4y2Ba预测gydF4y2Ba
忽略了它们。gydF4y2Ba
请注意gydF4y2Ba
如果gydF4y2BaMdl.BinaryLearnersgydF4y2Ba
包含线性分类模型(gydF4y2BaClassificationLineargydF4y2Ba
),然后你可以东方预测矩阵,以便观察并指定对应列gydF4y2Ba“ObservationsIn”、“列”gydF4y2Ba
。然而,您不能指定gydF4y2Ba“ObservationsIn”、“列”gydF4y2Ba
预测数据表。gydF4y2Ba
当训练gydF4y2BaMdlgydF4y2Ba
假设您设置gydF4y2Ba“标准化”,真的gydF4y2Ba
模板中指定的对象gydF4y2Ba“学习者”gydF4y2Ba
名称-值对的观点gydF4y2BafitcecocgydF4y2Ba
。在这种情况下,对相应的二进制学习者gydF4y2BajgydF4y2Ba
,软件标准化的列新的预测数据使用中相应的方法gydF4y2BaMdl.BinaryLearner {j} .MugydF4y2Ba
和标准偏差gydF4y2BaMdl.BinaryLearner {j} .SigmagydF4y2Ba
。gydF4y2Ba
数据类型:gydF4y2Ba表gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba单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
例子:gydF4y2Ba预测(Mdl X,“BinaryLoss”,“二次”,“解码”,“lossbased”)gydF4y2Ba
指定二进制学习者二次损失函数,通过解码方案聚合二进制损失。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
此表描述了内置函数,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[1]gydF4y2Ba。gydF4y2Ba
例如,为一个自定义的二进制损失函数gydF4y2Ba
customFunctiongydF4y2Ba
,为其指定一个函数处理gydF4y2BaBinaryLoss, @customFunctiongydF4y2Ba
。gydF4y2BacustomFunctiongydF4y2Ba
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
这个表标识默认gydF4y2BaBinaryLossgydF4y2Ba
值,这取决于分数返回的二进制学习者。gydF4y2Ba
假设gydF4y2Ba | 默认值gydF4y2Ba |
---|---|
所有二进制学习者都有下列:gydF4y2Ba
|
“二次”gydF4y2Ba |
所有二进制学习者SVM或线性内核分类的支持向量机模型的学习者。gydF4y2Ba | “枢纽”gydF4y2Ba |
所有二进制学习者乐团训练gydF4y2BaAdaboostM1gydF4y2Ba 或gydF4y2BaGentleBoostgydF4y2Ba 。gydF4y2Ba |
“指数”gydF4y2Ba |
所有二进制学习者乐团训练gydF4y2BaLogitBoostgydF4y2Ba 。gydF4y2Ba |
“binodeviance”gydF4y2Ba |
您指定预测类的后验概率通过设置gydF4y2Ba“FitPosterior”,真的gydF4y2Ba 在gydF4y2BafitcecocgydF4y2Ba 。gydF4y2Ba |
“二次”gydF4y2Ba |
二进制学习者异构和使用不同的损失函数。gydF4y2Ba | “汉明”gydF4y2Ba |
检查默认值,使用点符号显示gydF4y2BaBinaryLossgydF4y2Ba
在命令行属性的训练模型。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
NumKLInitializationsgydF4y2Ba
- - - - - -gydF4y2Ba数量的随机初始值gydF4y2Ba
0gydF4y2Ba
(默认)|gydF4y2Ba非负整数标量gydF4y2Ba
数量的随机初始值拟合后验概率Kullback-Leibler分歧最小化,指定为逗号分隔组成的gydF4y2Ba“NumKLInitializations”gydF4y2Ba
和一个非负整数标量。gydF4y2Ba
如果你不要求第四输出参数(gydF4y2Ba后gydF4y2Ba
)和组gydF4y2Ba“PosteriorMethod”、“kl的gydF4y2Ba
(默认),则软件忽略的价值gydF4y2BaNumKLInitializationsgydF4y2Ba
。gydF4y2Ba
更多细节,请参阅gydF4y2Ba后估计使用Kullback-Leibler散度gydF4y2Ba。gydF4y2Ba
例子:gydF4y2Ba“NumKLInitializations”, 5gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
ObservationsIngydF4y2Ba
- - - - - -gydF4y2Ba预测数据观察维度gydF4y2Ba
“行”gydF4y2Ba
(默认)|gydF4y2Ba“列”gydF4y2Ba
预测数据观察维度,指定为逗号分隔组成的gydF4y2Ba“ObservationsIn”gydF4y2Ba
和gydF4y2Ba“列”gydF4y2Ba
或gydF4y2Ba“行”gydF4y2Ba
。gydF4y2BaMdl.BinaryLearnersgydF4y2Ba
必须包含gydF4y2BaClassificationLineargydF4y2Ba
模型。gydF4y2Ba
请注意gydF4y2Ba
如果你东方预测矩阵,以便观察并指定对应列gydF4y2Ba“ObservationsIn”、“列”gydF4y2Ba
,你可以体验显著减少执行时间。你不能指定gydF4y2Ba“ObservationsIn”、“列”gydF4y2Ba
预测数据表。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
PosteriorMethodgydF4y2Ba
- - - - - -gydF4y2Ba后验概率估计方法gydF4y2Ba
“吉隆坡”gydF4y2Ba
(默认)|gydF4y2Ba“qp”gydF4y2Ba
后验概率估计方法,指定为逗号分隔组成的gydF4y2Ba“PosteriorMethod”gydF4y2Ba
和gydF4y2Ba“吉隆坡”gydF4y2Ba
或gydF4y2Ba“qp”gydF4y2Ba
。gydF4y2Ba
如果gydF4y2Ba
PosteriorMethodgydF4y2Ba
是gydF4y2Ba“吉隆坡”gydF4y2Ba
多级,那么软件估计后验概率通过最小化之间的Kullback-Leibler散度预测,预计返回的后验概率二进制学习者。有关详细信息,请参见gydF4y2Ba后估计使用Kullback-Leibler散度gydF4y2Ba。gydF4y2Ba如果gydF4y2Ba
PosteriorMethodgydF4y2Ba
是gydF4y2Ba“qp”gydF4y2Ba
多级,那么软件估计后验概率,利用二次规划求解最小二乘问题。您需要一个优化工具箱™许可使用该选项。有关详细信息,请参见gydF4y2Ba使用二次规划后评估gydF4y2Ba。gydF4y2Ba如果你不要求第四输出参数(gydF4y2Ba
后gydF4y2Ba
),然后软件忽略的价值gydF4y2BaPosteriorMethodgydF4y2Ba
。gydF4y2Ba
例子:gydF4y2Ba“PosteriorMethod”、“qp”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
标签gydF4y2Ba
——预测类标签gydF4y2Ba
分类数组|字符数组逻辑数组| | |数字数组单元阵列的特征向量gydF4y2Ba
预测类标签,分类,返回字符,逻辑,或数字数组,或单元阵列的特征向量。gydF4y2Ba
的gydF4y2Ba预测gydF4y2Ba
功能预测的分类观察到指定类的观察产生最大的否定平均二进制损失(或等价,最小的平均二进制损失)。的观察与gydF4y2Ba南gydF4y2Ba
损失值,函数分类观察到大多数类,占最大比例的培训品牌。gydF4y2Ba
标签gydF4y2Ba
具有相同的数据类型的类标签用于火车gydF4y2BaMdlgydF4y2Ba
和有相同数量的行gydF4y2BaXgydF4y2Ba
。gydF4y2Ba(软件对字符串数组作为细胞阵列特征向量)。gydF4y2Ba
如果gydF4y2BaMdl.BinaryLearnersgydF4y2Ba
包含gydF4y2BaClassificationLineargydF4y2Ba
模型,然后gydF4y2Ba标签gydF4y2Ba
是一个gydF4y2Ba米gydF4y2Ba——- - - - - -gydF4y2BalgydF4y2Ba矩阵,gydF4y2Ba米gydF4y2Ba观察的数量吗gydF4y2BaXgydF4y2Ba
,gydF4y2BalgydF4y2Ba是正规化的数量优势的线性分类模型(gydF4y2Ba元素个数(Mdl.BinaryLearners {1} .Lambda)gydF4y2Ba
)。的值gydF4y2Ba标签(i, j)gydF4y2Ba
预测的观察标签吗gydF4y2Ba我gydF4y2Ba
使用正则化模型的训练强度gydF4y2BaMdl.BinaryLearners {1} .Lambda (j)gydF4y2Ba
。gydF4y2Ba
否则,gydF4y2Ba标签gydF4y2Ba
是一个列向量的长度gydF4y2Ba米gydF4y2Ba。gydF4y2Ba
NegLossgydF4y2Ba
——否定平均二进制损失gydF4y2Ba
数字矩阵|数字数组gydF4y2Ba
否定平均gydF4y2Ba二进制的损失gydF4y2Ba,作为一个数字矩阵或数组返回。gydF4y2Ba
如果gydF4y2Ba
Mdl.BinaryLearnersgydF4y2Ba
包含gydF4y2BaClassificationLineargydF4y2Ba
模型,然后gydF4y2BaNegLossgydF4y2Ba
是一个gydF4y2Ba米gydF4y2Ba——- - - - - -gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BalgydF4y2Ba数组中。gydF4y2Ba米gydF4y2Ba观察的数量吗gydF4y2Ba
XgydF4y2Ba
。gydF4y2BaKgydF4y2Ba不同的类的数目在训练数据(gydF4y2Ba
元素个数(Mdl.ClassNames)gydF4y2Ba
)。gydF4y2BalgydF4y2Ba是正规化的数量优势的线性分类模型(gydF4y2Ba
元素个数(Mdl.BinaryLearners {1} .Lambda)gydF4y2Ba
)。gydF4y2Ba
NegLoss (k, j)gydF4y2Ba
观察否定平均二进制损失吗gydF4y2Ba我gydF4y2Ba
,对应于类gydF4y2BaMdl.ClassNames (k)gydF4y2Ba
为模型,使用正则化的力量训练gydF4y2BaMdl.BinaryLearners {1} .Lambda (j)gydF4y2Ba
。gydF4y2Ba如果gydF4y2Ba
解码gydF4y2Ba
是gydF4y2Ba“lossbased”gydF4y2Ba
,然后gydF4y2BaNegLoss (k, j)gydF4y2Ba
是二进制损失之和除以总数量的二进制学习者。gydF4y2Ba如果gydF4y2Ba
解码gydF4y2Ba
是gydF4y2Ba“lossweighted”gydF4y2Ba
,然后gydF4y2BaNegLoss (k, j)gydF4y2Ba
是二进制损失之和除以二进制的学习者的数量gydF4y2BakgydF4y2Ba类。gydF4y2Ba
更多细节,请参阅gydF4y2Ba二元损失gydF4y2Ba。gydF4y2Ba
否则,gydF4y2Ba
NegLossgydF4y2Ba
是一个gydF4y2Ba米gydF4y2Ba——- - - - - -gydF4y2BaKgydF4y2Ba矩阵。gydF4y2Ba
PBScoregydF4y2Ba
——Positive-class分数gydF4y2Ba
数字矩阵|数字数组gydF4y2Ba
Positive-class分数为每个二进制学习者,作为一个数字矩阵或数组返回。gydF4y2Ba
如果gydF4y2Ba
Mdl.BinaryLearnersgydF4y2Ba
包含gydF4y2BaClassificationLineargydF4y2Ba
模型,然后gydF4y2BaPBScoregydF4y2Ba
是一个gydF4y2Ba米gydF4y2Ba——- - - - - -gydF4y2BaBgydF4y2Ba——- - - - - -gydF4y2BalgydF4y2Ba数组中。gydF4y2Ba米gydF4y2Ba观察的数量吗gydF4y2Ba
XgydF4y2Ba
。gydF4y2BaBgydF4y2Ba是二进制学习者的数量(gydF4y2Ba
元素个数(Mdl.BinaryLearners)gydF4y2Ba
)。gydF4y2BalgydF4y2Ba是正规化的数量优势的线性分类模型(gydF4y2Ba
元素个数(Mdl.BinaryLearners {1} .Lambda)gydF4y2Ba
)。gydF4y2Ba
PBScore(我,b, j)gydF4y2Ba
观察positive-class分数吗gydF4y2Ba我gydF4y2Ba
使用二进制学习者gydF4y2BabgydF4y2Ba
为模型,使用正则化的力量训练gydF4y2BaMdl.BinaryLearners {1} .Lambda (j)gydF4y2Ba
。gydF4y2Ba否则,gydF4y2Ba
PBScoregydF4y2Ba
是一个gydF4y2Ba米gydF4y2Ba——- - - - - -gydF4y2BaBgydF4y2Ba矩阵。gydF4y2Ba
后gydF4y2Ba
——后类概率gydF4y2Ba
数字矩阵|数字数组gydF4y2Ba
后类概率,作为一个数字矩阵或数组返回。gydF4y2Ba
如果gydF4y2Ba
Mdl.BinaryLearnersgydF4y2Ba
包含gydF4y2BaClassificationLineargydF4y2Ba
模型,然后gydF4y2Ba后gydF4y2Ba
是一个gydF4y2Ba米gydF4y2Ba——- - - - - -gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BalgydF4y2Ba数组中。维度的定义,请参阅gydF4y2BaNegLossgydF4y2Ba
。gydF4y2Ba后(k, j)gydF4y2Ba
是观察的后验概率gydF4y2Ba我gydF4y2Ba
来自类gydF4y2BaMdl.ClassNames (k)gydF4y2Ba
为模型,使用正则化的力量训练gydF4y2BaMdl.BinaryLearners {1} .Lambda (j)gydF4y2Ba
。gydF4y2Ba否则,gydF4y2Ba
后gydF4y2Ba
是一个gydF4y2Ba米gydF4y2Ba——- - - - - -gydF4y2BaKgydF4y2Ba矩阵。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。的gydF4y2Ba解码方案gydF4y2BaECOC模型指定的软件聚合二进制损失和如何确定预测类为每个观察。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
该软件支持两种译码方案:金宝appgydF4y2Ba
通过解码gydF4y2Ba[3]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[4]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[1]gydF4y2Ba。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gydF4y2Ba损失gydF4y2Ba
和gydF4y2Ba预测gydF4y2Ba
对象函数),该措施如何ECOC分类器性能作为一个整体。gydF4y2Ba
算法gydF4y2Ba
软件可以通过最小化估计类的后验概率Kullback-Leibler散度或使用二次规划。以下的描述后验估计算法,假设:gydF4y2Ba
米gydF4y2BakjgydF4y2Ba是元素(gydF4y2BakgydF4y2Ba,gydF4y2BajgydF4y2Ba)的编码设计矩阵gydF4y2Ba米gydF4y2Ba。gydF4y2Ba
我gydF4y2Ba指标函数。gydF4y2Ba
类的后验概率估计类吗gydF4y2BakgydF4y2Ba的观察,gydF4y2BakgydF4y2Ba= 1,…,gydF4y2BaKgydF4y2Ba。gydF4y2Ba
rgydF4y2BajgydF4y2Ba是positive-class后验概率为二进制学习者gydF4y2BajgydF4y2Ba。也就是说,gydF4y2BargydF4y2BajgydF4y2Ba的概率是二进制的学习者gydF4y2BajgydF4y2Ba将一个观察分为积极的类,给定的训练数据。gydF4y2Ba
后估计使用Kullback-Leibler散度gydF4y2Ba
默认情况下,软件最小化Kullback-Leibler散度估计类的后验概率。Kullback-Leibler预期之间的分歧和观察positive-class后验概率gydF4y2Ba
在哪里gydF4y2Ba 是二进制学习者的重量吗gydF4y2BajgydF4y2Ba。gydF4y2Ba
年代gydF4y2BajgydF4y2Ba是一组二进制学习者的观察指标gydF4y2BajgydF4y2Ba是训练有素的。gydF4y2Ba
观察的重量吗gydF4y2Ba我gydF4y2Ba。gydF4y2Ba
软件最小化迭代发散。第一步是选择初始值gydF4y2Ba 类的后验概率。gydF4y2Ba
如果你不指定gydF4y2Ba
“NumKLIterations”gydF4y2Ba
,那么软件试下描述两组确定的初始值,并选择最小化Δ的集合。gydF4y2Ba系统的解决方案吗gydF4y2Ba
在哪里gydF4y2Ba米gydF4y2Ba01gydF4y2Ba是gydF4y2Ba米gydF4y2Ba与所有gydF4y2Ba米gydF4y2BakjgydF4y2Ba= 1替换为0,gydF4y2BargydF4y2Ba返回的是一个向量的positive-class后验概率gydF4y2BalgydF4y2Ba二进制学习者gydF4y2Ba(Dietterich等。)gydF4y2Ba。软件使用gydF4y2Ba
lsqnonneggydF4y2Ba
解决系统。gydF4y2Ba
如果您指定gydF4y2Ba
“NumKLIterations”, cgydF4y2Ba
,在那里gydF4y2BacgydF4y2Ba
是一个自然数,那么以下选择的一组软件呢gydF4y2Ba ,并选择最小化Δ的集合。gydF4y2Ba软件试两组确定的初始值如前所述。gydF4y2Ba
软件随机生成gydF4y2Ba
cgydF4y2Ba
向量的长度gydF4y2BaKgydF4y2Ba使用gydF4y2Ba兰德gydF4y2Ba
,然后纠正每个向量之和为1。gydF4y2Ba
在迭代gydF4y2BatgydF4y2Ba软件完成以下步骤:gydF4y2Ba
计算gydF4y2Ba
估计下一个类使用的后验概率gydF4y2Ba
正常化gydF4y2Ba 所以,他们和1。gydF4y2Ba
检查收敛。gydF4y2Ba
更多细节,请参阅gydF4y2Ba(Hastie等。)gydF4y2Ba和gydF4y2Ba(Zadrozny)gydF4y2Ba。gydF4y2Ba
使用二次规划后评估gydF4y2Ba
后验概率估计使用二次规划需要一个优化工具箱许可证。估计后验概率的观察使用这种方法,该软件完成这些步骤:gydF4y2Ba
估计positive-class后验概率,gydF4y2BargydF4y2BajgydF4y2Ba为二进制学习者gydF4y2BajgydF4y2Ba= 1,…,gydF4y2BalgydF4y2Ba。gydF4y2Ba
使用之间的关系gydF4y2BargydF4y2BajgydF4y2Ba和gydF4y2Ba (吴等。)gydF4y2Ba,最大限度地减少gydF4y2Ba
关于gydF4y2Ba 和限制gydF4y2Ba
软件执行最小化使用gydF4y2Ba
quadproggydF4y2Ba
(优化工具箱)gydF4y2Ba。gydF4y2Ba
选择功能gydF4y2Ba
金宝app仿真软件块gydF4y2Ba
集成ECOC分类模型的预测模型金宝appgydF4y2Ba®gydF4y2Ba,你可以使用gydF4y2BaClassificationECOC预测gydF4y2Ba块的统计和机器学习的图书馆或MATLAB工具箱™gydF4y2Ba®gydF4y2Ba功能块的gydF4y2Ba预测gydF4y2Ba
函数。有关示例,请参见gydF4y2Ba预测类标签使用ClassificationECOC预测块gydF4y2Ba和gydF4y2Ba预测类标签使用MATLAB函数块gydF4y2Ba。gydF4y2Ba
当决定使用哪种方法,考虑以下几点:gydF4y2Ba
如果你使用统计和机器学习工具库,您可以使用gydF4y2Ba定点的工具gydF4y2Ba(定点设计师)gydF4y2Ba一个浮点模型转换为定点。gydF4y2Ba
金宝app支持适应可变数组必须启用的MATLAB函数块gydF4y2Ba
预测gydF4y2Ba
函数。gydF4y2Ba如果使用MATLAB功能块,您可以使用MATLAB函数之前或之后预处理或后处理预测在同一MATLAB功能块。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]Dietterich, T。,g . Bakiri。“解决多级学习问题通过纠错输出编码。”gydF4y2Ba人工智能研究杂志》上gydF4y2Ba。2卷,1995年,页263 - 286。gydF4y2Ba
[3]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
[4]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
[5]Hastie, T。,R. Tibshirani. “Classification by Pairwise Coupling.”统计年鉴gydF4y2Ba。问题2卷。26日,1998年,页451 - 471。gydF4y2Ba
[6],t·F。,C. J. Lin, and R. Weng. “Probability Estimates for Multi-Class Classification by Pairwise Coupling.”机器学习研究杂志》上gydF4y2Ba。5卷,2004年,页975 - 1005。gydF4y2Ba
[7]Zadrozny, b“减少多级二进制耦合概率估计。”gydF4y2Ba捏2001:学报的发展神经信息处理系统14gydF4y2Ba,2001年,页1041 - 1048。gydF4y2Ba
扩展功能gydF4y2Ba
高大的数组gydF4y2Ba
计算和数组的行比装入内存。gydF4y2Ba
使用笔记和限制:gydF4y2Ba
预测gydF4y2Ba
不支持高金宝appgydF4y2Ba表gydF4y2Ba
数据的时候gydF4y2BaMdlgydF4y2Ba
包含内核或线性二进制学习者。gydF4y2Ba
有关更多信息,请参见gydF4y2Ba高大的数组gydF4y2Ba。gydF4y2Ba
C / c++代码生成gydF4y2Ba
生成C和c++代码使用MATLAB®编码器™。gydF4y2Ba
使用笔记和限制:gydF4y2Ba
您可以生成C / c++代码gydF4y2Ba
预测gydF4y2Ba
和gydF4y2Ba更新gydF4y2Ba
通过使用一个编码器配置。或者,只生成代码gydF4y2Ba预测gydF4y2Ba
通过使用gydF4y2BasaveLearnerForCodergydF4y2Ba
,gydF4y2BaloadLearnerForCodergydF4y2Ba
,gydF4y2BacodegengydF4y2Ba
。gydF4y2Ba代码生成的gydF4y2Ba
预测gydF4y2Ba
和gydF4y2Ba更新gydF4y2Ba
——创建一个编码器配置使用gydF4y2BalearnerCoderConfigurergydF4y2Ba
然后通过使用生成代码gydF4y2BagenerateCodegydF4y2Ba
。然后你可以更新模型参数生成的代码,而不必重新生成代码。gydF4y2Ba代码生成的gydF4y2Ba
预测gydF4y2Ba
——保存一个训练有素的模型通过使用gydF4y2BasaveLearnerForCodergydF4y2Ba
。定义一个入口点函数,通过使用加载保存模型gydF4y2BaloadLearnerForCodergydF4y2Ba
并调用gydF4y2Ba预测gydF4y2Ba
函数。然后使用gydF4y2BacodegengydF4y2Ba
(MATLAB编码器)gydF4y2Ba入口点函数来生成代码。gydF4y2Ba
生成单精度C / c++代码gydF4y2Ba
预测gydF4y2Ba
,指定名称参数gydF4y2Ba“数据类型”、“单身”gydF4y2Ba
当你打电话给gydF4y2BaloadLearnerForCodergydF4y2Ba
函数。gydF4y2Ba此表包含的参数gydF4y2Ba
预测gydF4y2Ba
。参数不包括在这个表是完全支持。金宝appgydF4y2Ba论点gydF4y2Ba 笔记和局限性gydF4y2Ba MdlgydF4y2Ba
如果你使用gydF4y2Ba
saveLearnerForCodergydF4y2Ba
保存模型具备预测后验概率,和使用gydF4y2BaloadLearnerForCodergydF4y2Ba
加载模型gydF4y2BaloadLearnerForCodergydF4y2Ba
不能恢复gydF4y2BaScoreTransformgydF4y2Ba
属性到MATLAB的工作区中。然而,gydF4y2BaloadLearnerForCodergydF4y2Ba
可以加载模型,包括gydF4y2BaScoreTransformgydF4y2Ba
属性,在一个入口点函数在编译时代码生成。gydF4y2Ba使用笔记和限制的模型对象,明白了gydF4y2Ba代码生成gydF4y2Ba的gydF4y2Ba
CompactClassificationECOCgydF4y2Ba
对象。gydF4y2Ba
XgydF4y2Ba
对于一般的代码生成gydF4y2Ba
XgydF4y2Ba
必须包含数字单精度和双精度矩阵或表变量,分类变量,或两者兼而有之。gydF4y2Ba在编码器配置工作流,gydF4y2Ba
XgydF4y2Ba
必须是一个单精度和双精度矩阵。gydF4y2Ba观察的数量gydF4y2Ba
XgydF4y2Ba
可以一个变量的大小,但变量的数量吗gydF4y2BaXgydF4y2Ba
必须是固定的。gydF4y2Ba如果你想指定gydF4y2Ba
XgydF4y2Ba
作为一个表,那么您的模型必须被训练使用一个表,和你的入口点函数预测必须做到以下几点:gydF4y2Ba接受数据数组。gydF4y2Ba
创建一个表的数据输入参数并指定表中的变量名。gydF4y2Ba
通过表gydF4y2Ba
预测gydF4y2Ba
。gydF4y2Ba
这个表的一个示例工作流,请参阅gydF4y2Ba生成代码对数据表进行分类gydF4y2Ba。在代码生成中使用表格的更多信息,见gydF4y2Ba代码生成表gydF4y2Ba(MATLAB编码器)gydF4y2Ba和gydF4y2Ba表限制代码生成gydF4y2Ba(MATLAB编码器)gydF4y2Ba。gydF4y2Ba
后gydF4y2Ba
不支持这个输出参数。金宝appgydF4y2Ba 名称-值对的观点gydF4y2Ba 名字必须编译时常量名称参数。gydF4y2Ba BinaryLossgydF4y2Ba
的值gydF4y2Ba
“BinaryLoss”gydF4y2Ba
名称-值对参数必须是一个编译时常量。例如,使用gydF4y2Ba“BinaryLoss”、“分对数的gydF4y2Ba
名称-值对的论点在生成的代码,包括gydF4y2Ba{coder.Constant (“BinaryLoss”), coder.Constant(分对数)}gydF4y2Ba
在gydF4y2Baarg游戏gydF4y2Ba
的价值gydF4y2BacodegengydF4y2Ba
(MATLAB编码器)gydF4y2Ba。gydF4y2Ba设置gydF4y2Ba
“BinaryLoss”gydF4y2Ba
名称-值对参数自定义二进制损失函数在生成的代码中,定义一个自定义函数在MATLAB的搜索路径,并指定自定义函数的名称而不是它的功能处理。自定义函数名必须是一个编译时常量。例如,如果您定义一个自定义函数命名gydF4y2BacustomFunctiongydF4y2Ba
,包括gydF4y2Ba{coder.Constant (“BinaryLoss”), coder.Constant (customFunction)}gydF4y2Ba
在gydF4y2Baarg游戏gydF4y2Ba
的价值gydF4y2BacodegengydF4y2Ba
(MATLAB编码器)gydF4y2Ba。gydF4y2Ba
NumKLInitializationsgydF4y2Ba
这个名称-值对不支持论点。金宝appgydF4y2Ba ObservationsIngydF4y2Ba
的值gydF4y2Ba
ObservationsIngydF4y2Ba
名称-值参数必须是一个编译时常量。例如,使用gydF4y2Ba“ObservationsIn”、“列”gydF4y2Ba
名称-值参数在生成的代码,包括gydF4y2Ba{coder.Constant (“ObservationsIn”), coder.Constant(“列”)}gydF4y2Ba
在gydF4y2Baarg游戏gydF4y2Ba
的价值gydF4y2BacodegengydF4y2Ba
(MATLAB编码器)gydF4y2Ba。gydF4y2Ba选项gydF4y2Ba
这个名称-值对不支持论点。金宝appgydF4y2Ba PosteriorMethodgydF4y2Ba
这个名称-值对不支持论点。金宝appgydF4y2Ba 详细的gydF4y2Ba
如果您计划使用编码器生成一个墨西哥人文件没有配置,然后您可以指定gydF4y2Ba 详细的gydF4y2Ba
。否则,gydF4y2BacodegengydF4y2Ba
不支持金宝appgydF4y2Ba详细的gydF4y2Ba
。gydF4y2Ba
有关更多信息,请参见gydF4y2Ba介绍代码生成gydF4y2Ba。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gydF4y2BaUseParallelgydF4y2Ba
选择结构领域gydF4y2Ba真正的gydF4y2Ba
使用gydF4y2BastatsetgydF4y2Ba
: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
GPU数组gydF4y2Ba
加速代码运行在一个图形处理单元(GPU)使用并行计算工具箱™。gydF4y2Ba
使用笔记和限制:gydF4y2Ba
的gydF4y2Ba
预测gydF4y2Ba
功能不支持使用决策树模型训练学习者与金宝app代理分裂。gydF4y2Ba的gydF4y2Ba
预测gydF4y2Ba
功能不支持使用SVM模型训练学习者。金宝appgydF4y2Ba
有关更多信息,请参见gydF4y2Ba运行在GPU MATLAB函数gydF4y2Ba(并行计算工具箱)gydF4y2Ba。gydF4y2Ba
版本历史gydF4y2Ba
介绍了R2014bgydF4y2Ba
另请参阅gydF4y2Ba
CompactClassificationECOCgydF4y2Ba
|gydF4y2BaClassificationECOCgydF4y2Ba
|gydF4y2BafitcecocgydF4y2Ba
|gydF4y2BastatsetgydF4y2Ba
|gydF4y2BaresubPredictgydF4y2Ba
|gydF4y2BaquadproggydF4y2Ba
(优化工具箱)gydF4y2Ba|gydF4y2Ba损失gydF4y2Ba
MATLAB命令gydF4y2Ba
你点击一个链接对应MATLAB命令:gydF4y2Ba
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。金宝appgydF4y2Ba
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