fitPosterior
拟合支持向量机(SVM)分类器的后验概率金宝app
语法
描述
返回一个训练好的支持向量机(SVM)金宝app分类器ScoreSVMModel
= fitPosterior (SVMModel
)ScoreSVMModel
包含用于两类学习的最优分数-后验概率转换函数。详情请参见算法.
[
另外,返回最优分数-后验概率转换函数参数。ScoreSVMModel
,ScoreTransform
= fitPosterior(SVMModel
)
[
使用由一个或多个名-值对参数指定的其他选项。例如,您可以指定折叠数或保留样本比例。ScoreSVMModel
,ScoreTransform
= fitPosterior(SVMModel
,名称,值
)
例子
输入参数
输出参数
更多关于
提示
这个过程描述了一种预测正类后验概率的方法。
通过将数据传递给来训练SVM分类器
fitcsvm
.结果是一个训练好的SVM分类器,例如SVMModel
,用于存储数据。软件设置分数转换函数属性(SVMModel。ScoreTransformation
)没有一个
.传递训练好的SVM分类器
SVMModel
来fitSVMPosterior
或fitPosterior
.其结果为:ScoreSVMModel
,为训练后的SVM分类器SVMModel
,软件集除外ScoreSVMModel。ScoreTransformation
到最优分数变换函数。传递预测器数据矩阵和训练好的包含最优分数变换函数的SVM分类器(
ScoreSVMModel
)预测
.的第二个输出参数中的第二列预测
存储与预测器数据矩阵的每一行对应的正类后验概率。如果你跳过第2步,那么
预测
返回正类分数,而不是正类后验概率。
在拟合后验概率之后,可以生成预测新数据标签的C/ c++代码。生成C/ c++代码需要<年代pan class="entity">MATLAB<年代up>®编码器™.详细信息请参见代码生成简介.
算法
该软件使用SVM分类器拟合适当的得分-后验概率转换函数SVMModel
通过使用存储的预测数据进行10倍交叉验证(SVMModel。X
)和类别标签(SVMModel。Y
),详情见[1].转换函数计算一个观测值被归为正类的后验概率(SVMModel.Classnames (2)
).
如果重新估计分数-后验概率转换函数,也就是说,如果将SVM分类器传递给fitPosterior
或fitSVMPosterior
和它的ScoreTransform
财产不是没有一个
,然后软件:
显示警告
将原始转换函数重置为
“没有”
在估计新数据之前
选择功能
你也可以用拟合后验概率函数fitSVMPosterior
.这个函数类似于fitPosterior
,只是它更广泛,因为它接受更广泛的SVM分类器类型。
参考文献
[1] Platt, J.“支持向量机的概率输出和与正则似然方法的比较”。金宝app大裕度分类器的研究进展.马萨诸塞州剑桥:麻省理工学院出版社,2000年,第61-74页。
版本历史
另请参阅
ClassificationSVM
|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">预测
|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">fitSVMPosterior
|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">fitcsvm