ClassificationSVM

金宝app支持向量机(SVM)看到下面成了和二进制分类

描述

ClassificationSVM是一个金宝app支持向量机(SVM)分类器看到下面成了和两级学习。训练有素的ClassificationSVM分类器存储训练数据,参数值,先验概率支持向量,和算法实现的信息。金宝app使用这些分类器来执行任务,如配件score-to-posterior-probability变换函数(见fitPosterior)和预测新数据(见标签预测)。

创建

创建一个ClassificationSVM对象的使用fitcsvm。

属性

全部展开

支持向量机性能

`α`- - - - - -训练分类器系数
数值向量

这个属性是只读的。

训练分类器系数,作为指定年代1数字向量。年代支持向量的个数在训练分类器,金宝app总和(Mdl.IsS金宝appupportVector)。

α从对偶问题包含了训练分类器系数,也就是说,估计拉格朗日乘数法。如果你删除重复使用RemoveDuplicates名称-值对的观点fitcsvm,那么对于一个给定的重复观测的支持向量,金宝appα包含一个系数对应于整个集。也就是说,MATLAB^®属性的非零系数,观察组副本和一个系数0所有其他的重复观测。

数据类型:单|双

`β`- - - - - -线性预测系数
数值向量

这个属性是只读的。

线性预测系数,指定为一个数值向量。的长度β等于预测用于训练模型的数量。

MATLAB使用完整的虚拟扩展分类变量的预测数据编码。即MATLAB为每个级别创建一个虚拟变量的每个类别变量。β存储一个值为每个预测变量,包括虚拟变量。例如,如果有三个因素,其中一个是类别变量有三个水平,β是一个数值向量包含五个值。

如果KernelParameters.Function是“线性”观察,然后分类评分x是

$f (x) = (x / 年代)' β + b 。$

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

手动来估计分类的分数,你必须首先应用任何转换过程中使用预测数据训练。具体地说,如果你指定“标准化”,真的当使用fitcsvm,那么你必须手动规范预测数据使用的意思Mdl.Mu和标准偏差Mdl.Sigma,然后将结果除以内核规模Mdl.KernelParameters.Scale。

所有支持向量机功能,如resubPredict和预测估计之前,应用所需的转换。

如果KernelParameters.Function不是“线性”,然后β是空的([])。

数据类型:单|双

`偏见`- - - - - -偏见术语
标量

这个属性是只读的。

偏见,指定为一个标量。

数据类型:单|双

`BoxConstraints`- - - - - -箱约束
数值向量

这个属性是只读的。

箱约束,指定为一个向量的数值n1箱约束。n训练数据是观测的数量(见NumObservations属性)。

如果你删除重复使用RemoveDuplicates名称-值对的观点fitcsvm,那么对于一个给定的一组重复观察,MATLAB金额框约束然后属性和一个观察。MATLAB的箱约束属性0所有其他的观察。

数据类型:单|双

`CacheInfo`- - - - - -缓存信息
结构数组

这个属性是只读的。

缓存信息,指定为一个结构数组。缓存信息包含这个表中描述的领域。

场	描述
大小	软件的缓存大小(MB)储备训练SVM分类器。有关详细信息,请参见`“CacheSize”`。
算法	软件使用的缓存算法在优化。目前,唯一可用的缓存算法`队列`。你不能设置缓存算法。

显示的字段CacheInfo通过使用点符号。例如,Mdl.CacheInfo.Size显示缓存大小的值。

数据类型:结构体

`Is金宝appSupportVector`- - - - - -金宝app支持向量指标
逻辑向量

这个属性是只读的。

金宝app支持向量指标,作为指定n1逻辑矢量标志是否相应的预测数据矩阵是一个观察金宝app支持向量。n训练数据是观测的数量(看到了吗NumObservations)。

如果你删除重复使用RemoveDuplicates名称-值对的观点fitcsvm,那么对于一个给定的重复观测的支持向量,金宝appIs金宝appSupportVector作为支持向量标志只有一个观察。金宝app

数据类型:逻辑

`KernelParameters`- - - - - -内核参数
结构数组

这个属性是只读的。

内核参数,指定为一个结构数组。内核参数属性包含这个表中列出的字段。

场	描述
函数	核函数用于计算的元素格拉姆矩阵。有关详细信息,请参见`“KernelFunction”`。
规模	内核尺度参数用于规模预测数据的所有元素的模型是训练有素的。有关详细信息,请参见`“KernelScale”`。

显示的值KernelParameters,使用点符号。例如,Mdl.KernelParameters.Scale显示内核参数值。

软件接受KernelParameters作为输入,不修改它们。

数据类型:结构体

`ν`- - - - - -看到下面成了学习参数
积极的标量

这个属性是只读的。

看到下面成了一个学习参数ν,指定为一个积极的标量。

数据类型:单|双

`OutlierFraction`- - - - - -离群值的比例
数字标量

这个属性是只读的。

比例的训练数据中的异常值,指定为一个数字标量。

数据类型:双

`解算器`- - - - - -优化程序
`ISDA的`|`“L1QP”`|`SMO的`

这个属性是只读的。

优化常规训练SVM分类器使用,指定为ISDA的,“L1QP”,或SMO的。更多细节,请参阅“规划求解”。

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

这个属性是只读的。

金宝app支持向量类的标签,作为一个指定年代1数字向量。年代支持向量的个数在训练分类器,金宝app总和(Mdl.IsS金宝appupportVector)。

的值+ 1在金宝appSupportVectorLabels表明积极的相应的支持向量类(金宝app一会{2})。的值1显示相应的支持向量是负类(金宝app一会{1})。

如果你删除重复使用RemoveDuplicates名称-值对的观点fitcsvm,那么对于一个给定的重复观测的支持向量,金宝app金宝appSupportVectorLabels包含一个独特的支持向量的标签。金宝app

数据类型:单|双

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

这个属性是只读的。

金宝app支持向量分类器训练,指定为一个年代——- - - - - -p数字矩阵。年代支持向量的个数在训练分类器,金宝app总和(Mdl.IsS金宝appupportVector),p是预测变量预测的数据的数量。

金宝appSupportVectors包含行数据的预测XMATLAB认为支持向量。金宝app如果您指定“标准化”,真的当训练SVM分类器使用fitcsvm,然后金宝appSupportVectors包含标准化的行X。

如果你删除重复使用RemoveDuplicates名称-值对的观点fitcsvm,那么对于一个给定的重复观测的支持向量,金宝app金宝appSupportVectors包含一个独特的支持向量。金宝app

数据类型:单|双

其他分类属性

`CategoricalPredictors`- - - - - -分类预测指标
向量的正整数|`[]`

这个属性是只读的。

分类预测指标,指定为一个向量的正整数。CategoricalPredictors包含索引值表明相应的预测分类。索引值介于1和p,在那里p预测的数量被用来训练模型。如果所有的预测都直言,那么这个属性是空的([])。

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|单元阵列的特征向量

这个属性是只读的。

独特的类标签用于培训,指定为一个类别或字符数组,逻辑或数值向量,或单元阵列的特征向量。一会具有相同的数据类型的类标签吗Y。(软件对字符串数组作为细胞阵列特征向量)。一会也决定了课堂秩序。

数据类型:单|双|逻辑|字符|细胞|分类

`成本`- - - - - -误分类代价
数字方阵

这个属性是只读的。

误分类代价,指定为一个数字方阵。

两种学习的成本属性存储指定的误分类代价矩阵成本名称-值参数的拟合函数。行对应于真实的类和列对应预测类。也就是说,成本(i, j)是一个指向类分类的成本j如果它真正的类我。的行和列的顺序成本对应于类的顺序一会。
看到下面成了学习,成本= 0。

数据类型:双

`ExpandedPredictorNames`- - - - - -扩大了预测的名字
单元阵列的特征向量

这个属性是只读的。

扩展预测名称,指定为一个单元阵列的特征向量。

如果模型使用哑变量编码为分类变量ExpandedPredictorNames包括名称,描述变量扩展。否则,ExpandedPredictorNames是一样的PredictorNames。

数据类型:细胞

`梯度`- - - - - -训练数据梯度值
数值向量

这个属性是只读的。

训练数据梯度值,指定为一个数值向量。的长度梯度等于观测的数量(NumObservations)。

数据类型:单|双

`ModelParameters`- - - - - -参数用来训练模型
对象

这个属性是只读的。

参数用于训练ClassificationSVM模型,指定为一个对象。ModelParameters包含名称-值对参数值等参数值用于训练SVM分类器。ModelParameters不包含估计参数。

访问的属性ModelParameters通过使用点符号。例如,访问的初始值估计α通过使用Mdl.ModelParameters.Alpha。

`μ`- - - - - -预测方法
数值向量|`[]`

这个属性是只读的。

预测方法,指定为一个数值向量。如果您指定“标准化”,1或“标准化”,真的当你训练一个支持向量机分类器使用fitcsvm,然后的长度μ等于预测的数量。

MATLAB使用完整的虚拟扩展分类变量的预测数据编码。即MATLAB为每个级别创建一个虚拟变量的每个类别变量。μ存储一个值为每个预测变量,包括虚拟变量。然而,MATLAB并不规范的列包含分类变量。

如果你设置“标准化”,假的当你训练SVM分类器使用fitcsvm,然后μ是一个空向量([])。

数据类型:单|双

`NumObservations`- - - - - -数量的观察
数字标量

这个属性是只读的。

训练数据存储在观测的数量X和Y,指定为一个数字标量。

数据类型:双

`PredictorNames`- - - - - -预测变量的名字
单元阵列的特征向量

这个属性是只读的。

预测变量名称,指定为一个单元阵列的特征向量。元素的顺序PredictorNames对应的顺序预测的名字出现在训练数据。

数据类型:细胞

`之前`- - - - - -先验概率
数值向量

这个属性是只读的。

先验概率为每个类,指定为一个数值向量。

两种学习,如果你指定一个成本矩阵,那么软件更新的先验概率将描述的惩罚成本矩阵。

两种学习,软件可实现指定的先验概率之前名称-值参数的拟合函数,这样的概率之和为1。的之前属性存储规范化的先验概率。元素的顺序之前对应的元素Mdl.ClassNames。
看到下面成了学习,之前= 1。

数据类型:单|双

`ResponseName`- - - - - -响应变量名
特征向量

这个属性是只读的。

响应变量名称,指定为一个特征向量。

数据类型:字符

`RowsUsed`- - - - - -行用于拟合
`[]`|逻辑向量

这个属性是只读的。

行中使用的原始训练数据拟合ClassificationSVM模型,指定为一个逻辑向量。使用这个属性是空的,如果所有行。

数据类型:逻辑

`ScoreTransform`- - - - - -分数转换
特征向量|函数处理

分数变换,指定为一个特征向量或函数句柄。ScoreTransform代表一个内置的函数或一个函数处理转换分类预测分数。

改变分数转换函数函数例如,使用点符号。

对于一个内置的函数,输入一个特征向量。

Mdl。ScoreTransform = '函数”;

此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”`	集类的分数最大的分数为1,并设置所有其他类的分数为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”`	集合类的分数最大的分数为1,和所有其他类的分数设置为1
`“symmetriclogit”`	2 / (1 +e^{- - - - - -x})- 1

MATLAB函数或你定义一个函数,输入函数处理。
```
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(转换后的分数)。

数据类型:字符|function_handle

`σ`- - - - - -预测标准差
`[]`(默认)|数值向量

这个属性是只读的。

预测标准差,指定为一个数值向量。

如果您指定“标准化”,真的当你训练SVM分类器使用fitcsvm,然后的长度σ=数量的预测变量。

MATLAB使用完整的虚拟扩展分类变量的预测数据编码。即MATLAB为每个级别创建一个虚拟变量的每个类别变量。σ存储一个值为每个预测变量,包括虚拟变量。然而,MATLAB并不规范的列包含分类变量。

如果你设置“标准化”,假的当你训练SVM分类器使用fitcsvm,然后σ是一个空向量([])。

数据类型:单|双

`W`- - - - - -观察权重
数值向量

这个属性是只读的。

观察权重训练SVM分类器使用,指定为一个n1数字向量。n是观测的数量(见NumObservations)。

fitcsvm可实现观察中指定的权重“重量”名称-值对的观点,这样的元素W在一个特定的类和类的先验概率。

数据类型:单|双

`X`- - - - - -Unstandardized预测
数字矩阵|表

这个属性是只读的。

Unstandardized预测用于训练SVM分类器,指定为一个数字矩阵或表。

每一行的X对应于一个观察,每一列对应一个变量。

MATLAB排除包含至少一个缺失值的观测,并删除相应的元素Y。

数据类型:单|双

`Y`- - - - - -类标签
分类数组|字符数组|逻辑向量|数值向量|单元阵列的特征向量

这个属性是只读的。

类标签用于训练SVM分类器,分类或字符数组,指定逻辑或者数值向量、数组或单元的特征向量。Y是相同的数据类型作为输入参数Y的fitcsvm。(软件对字符串数组作为细胞阵列特征向量)。

每一行的Y代表观察到的分类对应的行X。

MATLAB排除元素包含缺失值,并删除相应的观测X。

数据类型:单|双|逻辑|字符|细胞|分类

收敛控制属性

`ConvergenceInfo`- - - - - -融合信息
结构数组

这个属性是只读的。

融合信息,指定为一个结构数组。

场	描述
`聚合`	逻辑标志指示是否算法融合(`1`表明收敛)。
`ReasonForConvergence`	特征向量表明软件使用的标准来检测融合。
`差距`	标量可行性双重差距和原始目标函数。
`GapTolerance`	标量可行性差距宽容。设置这个宽容,例如`1)依照`,通过使用名称-值对的论点`依照“GapTolerance”, 1`的`fitcsvm`。
`DeltaGradient`	上部和下部违规者Scalar-attained梯度差别
`DeltaGradientTolerance`	标量对梯度上下违规者的区别。设置这个宽容,例如`1)依照`,通过使用名称-值对的论点`依照“DeltaGradientTolerance”, 1`的`fitcsvm`。
`LargestKKTViolation`	最大标量Karush-Kuhn-Tucker(马)违反价值。
`KKTTolerance`	标量容忍违反最大的马。设置这个宽容,例如,`1 e - 3`,通过使用名称-值对的论点`“KKTTolerance”, 1 e - 3`的`fitcsvm`。
`历史`	结构数组包含融合信息设置优化迭代。字段: `NumIterations`:数值向量的迭代索引记录融合信息的软件 `差距`:数值向量`差距`值的迭代 `DeltaGradient`:数值向量`DeltaGradient`值的迭代 `LargestKKTViolation`:数值向量`LargestKKTViolation`值的迭代 `Num金宝appSupportVectors`:数值向量迭代表明支持向量的个数金宝app `客观的`:数值向量`客观的`值的迭代
`客观的`	标量值的双目标函数。

数据类型:结构体

`NumIterations`- - - - - -的迭代次数
正整数

这个属性是只读的。

优化日常所需的迭代次数达到收敛,指定为一个正整数。

设置限制的迭代次数1000年例如,指定“IterationLimit”, 1000年当你训练SVM分类器使用fitcsvm。

数据类型:双

`ShrinkagePeriod`- - - - - -减少活动组之间的迭代次数
非负整数

这个属性是只读的。

设置迭代次数减少之间的活跃,指定为一个非负整数。

设置收缩时期1000年例如,指定“ShrinkagePeriod”, 1000年当你训练SVM分类器使用fitcsvm。

数据类型:单|双

Hyperparameter优化性能

`HyperparameterOptimizationResults`- - - - - -交叉验证优化hyperparameters的描述
`BayesianOptimization`对象|表

这个属性是只读的。

描述hyperparameters交叉验证优化的,指定为一个BayesianOptimization对象或一个表hyperparameters和相关联的值。该属性时非空的“OptimizeHyperparameters”名称-值对的观点fitcsvm在创建非空的。的价值HyperparameterOptimizationResults取决于的设置优化器字段HyperparameterOptimizationOptions的结构fitcsvm在创建这个表中描述。

的价值`优化器`场	的价值`HyperparameterOptimizationResults`
`“bayesopt”`(默认)	对象的类`BayesianOptimization`
`“gridsearch”`或`“randomsearch”`	hyperparameters表使用,观察目标函数值(交叉验证损失)和从最低(最好的)最高等级的观察(坏的)

对象的功能

`紧凑的`	减少机器学习模型的大小
`compareHoldout`	比较两种分类模型使用新数据的精度
`crossval`	旨在机器学习模型
`discard金宝appSupportVectors`	放弃支持向量线性金宝app支持向量机(SVM)分类器
`边缘`	找到分类支持向量机(SVM)分类器的边缘金宝app
`fitPosterior`	合适的后验概率支持向量机(SVM)分类器金宝app
`incrementalLearner`	转换成二进制分类支持向量机(SVM)模型增量学习金宝app
`石灰`	本地可model-agnostic解释(石灰)
`损失`	找到分类错误的支持向量机(SVM)分类器金宝app
`保证金`	找到分类利润支持向量机(SVM)分类器金宝app
`partialDependence`	计算部分依赖
`plotPartialDependence`	创建部分依赖图(PDP)和个人条件期望(ICE)情节
`预测`	观察使用支持向量机(SVM)分类器进行分类金宝app
`resubEdge`	Resubstitution分类边缘
`resubLoss`	Resubstitution分类损失
`resubMargin`	Resubstitution分类保证金
`resubPredict`	使用训练数据训练分类器进行分类
`的简历`	恢复训练支持向量机(SVM)分类金宝app器
`沙普利`	沙普利值
`testckfold`	比较两种分类模型的精度重复交叉验证

例子

全部折叠

训练支持向量机分类器

打开生活的脚本

加载费雪的虹膜数据集。删除花萼长度和宽度和所有观察到的setosa虹膜。

负载fisheriris第1 = ~ strcmp(物种,“setosa”);X =量(第1 3:4);y =物种(第1);

火车一个支持向量机分类器使用处理过的数据集。

SVMModel = fitcsvm (X, y)

SVMModel = ClassificationSVM ResponseName:‘Y’CategoricalPredictors:[]类名:{“癣”“virginica”} ScoreTransform:“没有一个”NumObservations: 100α:[24 x1双]偏见:-14.4149 KernelParameters: [1 x1 struct] BoxConstraints: x1双[100]ConvergenceInfo: [1 x1 struct] IsSupportVector: x1逻辑[100]解算器:SMO的属性,方法金宝app

SVMModel是一个培训ClassificationSVM分类器。显示的属性SVMModel。例如,确定类,使用点符号。

classOrder = SVMModel.ClassNames

classOrder =2 x1细胞{“癣”}{' virginica '}

第一个类(“多色的”)是负类,第二个(“virginica”)是积极的类。你可以改变订单在训练用的类“类名”名称-值对的论点。

图数据的散点图和圆的支持向量。金宝app

sv = SVMModel.金宝appSupportVectors;图gscatter (X (: 1), (:, 2), y)在情节(sv (: 1), sv (:, 2),“柯”,“MarkerSize”10)传说(“多色的”,“virginica”,“金宝app支持向量”)举行从

图包含一个坐标轴对象。坐标轴对象包含3线类型的对象。这些对象代表杂色的,virginica,支持向量。金宝app

支持向量金宝app是观察发生的或超出他们估计类边界。

你可以调整边界(,因此,支持向量的个数)通过设置一个盒子约束在训练使用金宝app“BoxConstraint”名称-值对的论点。

火车和旨在支持向量机分类器

打开生活的脚本

加载电离层数据集。

负载电离层

训练,旨在支持向量机分类器。规范预测数据和指定类的顺序。

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

CVSVMModel = ClassificationPartitionedModel CrossValidatedModel:“支持向量机”PredictorNames: {1} x34细胞ResponseName:“Y”NumObservations: 351 KFold: 10个分区:[1 x1 cvpartition]类名:{b ' g '} ScoreTransform:“没有一个”属性,方法

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

或者,您可以旨在训练ClassificationSVM分类器通过它crossval。

检查的一个训练有素的折叠使用点符号。

CVSVMModel.Trained {1}

ans = CompactClassificationSVM ResponseName:‘Y’CategoricalPredictors:[]类名:{b ' g '} ScoreTransform:‘没有’α:[78 x1双]偏见:-0.2209 KernelParameters: [1 x1 struct]μ:[0.8888 0 0.6320 0.0406 0.5931 0.1205 0.5361……σ:[0.3149 0 0.5033 0.4441 0.5255 0.4663 0.4987…]S金宝appupportVectors: [78 x34双]SupportVectorLabels: [78 x1双]属性,方法

每一个褶皱都是CompactClassificationSVM分类器训练数据的90%。

估计泛化误差。

genError = kfoldLoss (CVSVMModel)

genError = 0.1168

泛化误差平均为12%左右。

算法

数学公式的二进制分类支持向量机算法,明白了金宝app支持向量机的二叉分类和了解支持向量机金宝app。
南,<定义>空字符向量(”),空字符串(”“),<失踪>值显示缺失值。fitcsvm删除整行数据对应于一个失踪的响应。当计算总重量(见下一个子弹),fitcsvm忽略任何重量对应于一个观察至少有一个失踪的预测。这一行动会导致balanced-class先验概率不平衡问题。因此,观察箱约束可能不相等BoxConstraint。
如果你指定成本,之前,权重名称-值参数,输出模型对象存储指定的值成本,之前,W属性,分别。的成本属性存储指定的成本矩阵(C)。的之前和W属性存储先验概率和观察权重,分别归一化后。模型训练,软件更新先验概率和观察权重将描述的惩罚成本矩阵。有关详细信息,请参见误分类代价矩阵、先验概率和观察权重。
请注意,成本和之前名称-值参数是用于两级学习。看到下面成了学习的成本和之前属性存储0和1,分别。
对两种学习,fitcsvm分配一个框约束来训练数据中的每个观测。的公式框约束的观察j是

$C_{j} = n C_{0} w_{j}^{*},$

在哪里C₀是初始箱约束(见BoxConstraint名称-值参数),w_j^*观察体重调整吗成本和之前为观察j。观察权重的细节,请参阅调整先验概率和观察权重误分类代价矩阵。
如果您指定标准化作为真正的并设置成本,之前,或权重名称-值参数,然后fitcsvm规范使用相应的加权预测手段和加权标准差。也就是说,fitcsvm标准化预测j(x_j)使用

$x_{j}^{*} = \frac{x_{j} - μ_{j}^{*}}{σ_{j}^{*}},$

在哪里x_jk是观察k(行)的预测j(列)

$\begin{matrix} μ_{j}^{*} = \frac{1}{\sum_{k} w_{k}^{*}} \sum_{k} w_{k}^{*} x_{j k}, \\ {(σ_{j}^{*})}^{2} = \frac{v_{1}}{v_{1}^{2} - v_{2}} \sum_{k} w_{k}^{*} {(x_{j k} - μ_{j}^{*})}^{2}, \\ v_{1} = \sum_{j} w_{j}^{*}, \\ v_{2} = \sum_{j} {(w_{j}^{*})}^{2} 。 \end{matrix}$
假设p离群值的比例,你期望在训练数据,你准备好了吗OutlierFraction, p。
- 看到下面成了学习的软件列车偏差项,100p%的观察训练数据有负的成绩。
- 该软件实现了强劲的学习两级学习。换句话说,软件试图删除100p%的观察时,优化算法是收敛的。删除观察对应梯度大的大小。
如果你的预测数据包含分类变量,然后软件通常使用这些变量的完整虚拟编码。每一层的软件创建一个哑变量每个类别变量。
- 的PredictorNames原始属性存储一个元素为每个预测变量名。例如,假设有三个因素,其中一个是和三个层次类别变量。然后PredictorNames是一个1×3单元阵列包含原始特征向量的预测变量的名称。
- 的ExpandedPredictorNames属性存储一个元素为每个预测变量,包括虚拟变量。例如,假设有三个因素,其中一个是和三个层次类别变量。然后ExpandedPredictorNames是一个1-by-5单元阵列特征向量包含预测变量的名称和新虚拟变量。
- 类似地,β为每个预测属性存储一个β系数,包括虚拟变量。
- 的金宝appSupportVectors属性存储支持向量的预测价值,包括虚拟变量。金宝app例如,假设米金宝app支持向量和三个因素,其中一个是和三个层次类别变量。然后金宝appSupportVectors是一个n5矩阵。
- 的X按原输入和属性存储训练数据不包括虚拟变量。当输入一个表,X只包含的列作为预测因子。
预测表中指定,如果任何包含命令(顺序)类别的变量,这些变量的软件使用顺序编码。
- 为一个变量k要求水平,创建的软件k- 1虚拟变量。的jth哑变量是1为水平j,+ 1的水平j+ 1通过k。
- 哑变量中存储的名称ExpandedPredictorNames属性显示第一级的价值+ 1。软件商店k- 1额外的预测虚变量的名称,包括水平2的名字,3,…k。
所有连接器实现l1 soft-margin最小化。
看到下面成了学习的软件估计,拉格朗日乘数法,α₁、……α_n,这样

$\sum_{j = 1}^{n} α_{j} = n ν 。$

引用

[1]Hastie, T。,R。Tibshirani, and J. Friedman.统计学习的元素,第二版。纽约:施普林格出版社,2008年。

[2]Scholkopf B。,J. C. Platt, J. C. Shawe-Taylor, A. J. Smola, and R. C. Williamson. “Estimating the Support of a High-Dimensional Distribution.”神经第一版第7卷。13日,2001年,页1443 - 1471。

[3]Christianini, N。,J. C. Shawe-Taylor.介绍支持向量机和其他基于学习的方法金宝app。英国剑桥:剑桥大学出版社,2000年。

[4]Scholkopf B。答:Smola。学习与内核:支持向量机,正则化优化,自适应计算金宝app和机器学习。剑桥,麻州:麻省理工学院出版社,2002年。

扩展功能

C / c++代码生成
生成C和c++代码使用MATLAB®编码器™。

使用笔记和限制:

的预测和更新代码生成功能支持。金宝app
将支持向量机分类模型的预测模型金宝app^®,你可以使用ClassificationSVM预测块的统计和机器学习工具箱™库或MATLAB函数块预测函数。
当你训练一个通过使用支持向量机模型fitcsvm以下限制适用。
- 的值“ScoreTransform”名称-值对的论点不能一个匿名函数。生成代码的后验概率预测了新的观察,通过训练支持向量机模型fitPosterior或fitSVMPosterior。的ScoreTransform属性返回的模型包含一个匿名函数表示score-to-posterior-probability为代码生成功能和配置。
- 定点代码生成的值“ScoreTransform”名称-值对参数不能“invlogit”。同时,的值“KernelFunction”名称-值对论点必须“高斯”,“线性”,或多项式的。
- 定点代码生成和代码生成与编码器配置,以下额外的限制。
  - 分类预测(逻辑,分类,字符,字符串,或细胞不支持)。金宝app你不能使用CategoricalPredictors名称-值参数。包括分类预测模型中,利用预处理dummyvar在拟合模型。
  - 类标签分类不支持的数据类型。金宝app训练数据的类标签值(资源描述或Y)和的值一会名称-值参数不能与数组分类数据类型。

有关更多信息,请参见介绍代码生成。

版本历史

介绍了R2014a

全部展开

R2022a:`成本`属性存储指定的成本矩阵

行为改变R2022a

从R2022a,成本属性存储指定的成本矩阵,这样你就可以计算出观察误分类成本使用指定的成本价值。软件商店规范化先验概率(之前)和观察权重(W),不能反映成本矩阵描述的处罚。细节计算观察到的误分类代价,看到R2022a释放注意损失函数的分类模型对象:计算观察误分类代价。

注意,模型训练并没有改变,因此,类之间的决策边界没有改变。

培训,拟合函数更新指定的先验概率,将指定的描述的惩罚成本矩阵,然后规范化先验概率和观察的权重。这种行为没有改变。在以前的版本中,存储的软件默认成本矩阵成本属性和存储先验概率和观察权重用于培训之前和W属性,分别。从R2022a,软件商店指定成本矩阵,并存储规范化先验概率和观察权重不反映成本的惩罚。更多细节,请参阅误分类代价矩阵、先验概率和观察权重。

一些对象函数使用成本,之前,W属性:

的损失和resubLoss函数使用矩阵的存储成本成本如果你指定属性LossFun名称-值参数为“classifcost”或“mincost”。
的损失和边缘函数使用中存储的先验概率之前属性规范化观察输入数据的权重。
的resubLoss和resubEdge函数使用存储在观察权重W财产。

如果你指定一个默认的成本矩阵训练分类模型时,该对象函数返回一个不同的值与以前版本相比。

如果你想要处理的软件成本矩阵,先验概率,和观察权重在以前的版本中,调整默认的成本的先验概率和观察权重矩阵,描述调整先验概率和观察权重误分类代价矩阵。然后,当你训练一个分类模型,指定调整先验概率和观察权重通过使用之前和权重名称-值参数,分别使用默认成本矩阵。

另请参阅

fitcsvm|CompactClassificationSVM|ClassificationPartitionedModel

ClassificationSVM

描述

创建

属性

支持向量机性能

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

BoxConstraints- - - - - -箱约束数值向量

CacheInfo- - - - - -缓存信息结构数组

Is金宝appSupportVector- - - - - -金宝app支持向量指标逻辑向量

KernelParameters- - - - - -内核参数结构数组

ν- - - - - -看到下面成了学习参数积极的标量

OutlierFraction- - - - - -离群值的比例数字标量

解算器- - - - - -优化程序ISDA的|“L1QP”|SMO的

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——- - - - - -p数字矩阵

其他分类属性

CategoricalPredictors- - - - - -分类预测指标向量的正整数|[]

一会- - - - - -独特的类标签分类数组|字符数组|逻辑向量|数值向量|单元阵列的特征向量

成本- - - - - -误分类代价数字方阵

ExpandedPredictorNames- - - - - -扩大了预测的名字单元阵列的特征向量

梯度- - - - - -训练数据梯度值数值向量

ModelParameters- - - - - -参数用来训练模型对象

μ- - - - - -预测方法数值向量|[]

NumObservations- - - - - -数量的观察数字标量

PredictorNames- - - - - -预测变量的名字单元阵列的特征向量

之前- - - - - -先验概率数值向量

ResponseName- - - - - -响应变量名特征向量

RowsUsed- - - - - -行用于拟合[]|逻辑向量

ScoreTransform- - - - - -分数转换特征向量|函数处理

σ- - - - - -预测标准差[](默认)|数值向量

W- - - - - -观察权重数值向量

X- - - - - -Unstandardized预测数字矩阵|表

Y- - - - - -类标签分类数组|字符数组|逻辑向量|数值向量|单元阵列的特征向量

收敛控制属性

ConvergenceInfo- - - - - -融合信息结构数组

NumIterations- - - - - -的迭代次数正整数

ShrinkagePeriod- - - - - -减少活动组之间的迭代次数非负整数

Hyperparameter优化性能

HyperparameterOptimizationResults- - - - - -交叉验证优化hyperparameters的描述BayesianOptimization对象|表

对象的功能

例子

训练支持向量机分类器

火车和旨在支持向量机分类器

更多关于

箱约束

格拉姆矩阵

Karush-Kuhn-Tucker互补条件

看到下面成了一个学习

金宝app支持向量

金宝app支持向量机的二叉分类

算法

引用

扩展功能

C / c++代码生成生成C和c++代码使用MATLAB®编码器™。

版本历史

R2022a:成本属性存储指定的成本矩阵

另请参阅

主题

`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

`BoxConstraints`- - - - - -箱约束
数值向量

`CacheInfo`- - - - - -缓存信息
结构数组

`Is金宝appSupportVector`- - - - - -金宝app支持向量指标
逻辑向量

`KernelParameters`- - - - - -内核参数
结构数组

`ν`- - - - - -看到下面成了学习参数
积极的标量

`OutlierFraction`- - - - - -离群值的比例
数字标量

`解算器`- - - - - -优化程序
`ISDA的`|`“L1QP”`|`SMO的`

`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——- - - - - -p数字矩阵

`CategoricalPredictors`- - - - - -分类预测指标
向量的正整数|`[]`

`一会`- - - - - -独特的类标签
分类数组|字符数组|逻辑向量|数值向量|单元阵列的特征向量

`成本`- - - - - -误分类代价
数字方阵

`ExpandedPredictorNames`- - - - - -扩大了预测的名字
单元阵列的特征向量

`梯度`- - - - - -训练数据梯度值
数值向量

`ModelParameters`- - - - - -参数用来训练模型
对象

`μ`- - - - - -预测方法
数值向量|`[]`

`NumObservations`- - - - - -数量的观察
数字标量

`PredictorNames`- - - - - -预测变量的名字
单元阵列的特征向量

`之前`- - - - - -先验概率
数值向量

`ResponseName`- - - - - -响应变量名
特征向量

`RowsUsed`- - - - - -行用于拟合
`[]`|逻辑向量

`ScoreTransform`- - - - - -分数转换
特征向量|函数处理

`σ`- - - - - -预测标准差
`[]`(默认)|数值向量

`W`- - - - - -观察权重
数值向量

`X`- - - - - -Unstandardized预测
数字矩阵|表

`Y`- - - - - -类标签
分类数组|字符数组|逻辑向量|数值向量|单元阵列的特征向量

`ConvergenceInfo`- - - - - -融合信息
结构数组

`NumIterations`- - - - - -的迭代次数
正整数

`ShrinkagePeriod`- - - - - -减少活动组之间的迭代次数
非负整数

`HyperparameterOptimizationResults`- - - - - -交叉验证优化hyperparameters的描述
`BayesianOptimization`对象|表

C / c++代码生成
生成C和c++代码使用MATLAB®编码器™。

R2022a:`成本`属性存储指定的成本矩阵