fitPosterior
紧凑型支持向量机(SVM)分类器的后验概率拟合金宝app
语法
描述
ScoreSVMModel
= fitPosterior (SVMModel,资源描述,Y)
返回一个训练好的支持向量机(SVM)金宝app分类器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.如果你训练SVMModel使用表时,则必须使用表作为输入fitPosterior.
ScoreSVMModel
= fitPosterior (SVMModel,X,Y)
返回一个训练好的SVM分类器ScoreSVMModel包含用于两类学习的最优分数-后验概率转换函数。如果你训练SVMModel使用矩阵,那么你必须使用矩阵作为输入fitPosterior.
[ScoreSVMModel,ScoreTransform= fitPosterior(<年代pan class="argument_placeholder">___)
另外返回最优分数-后验概率转换函数参数(ScoreTransform)用于前面语法中的任何输入参数组合。
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)).
如果类是不可分割的,那么转换函数是乙状结肠函数.
如果类是完全可分离的,那么变换函数就是阶跃函数.
在两类学习中,如果两个类中有一个类的相对频率为0,则转换函数为常数函数.的fitPosterior函数不适合单类学习。
该软件将最优得分-后验概率转换函数存储在ScoreSVMModel。ScoreTransform.
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
您还可以通过使用拟合最佳得分后验概率函数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
在R2014a中引入
另请参阅
CompactClassificationSVM
|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">fitcsvm
|<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">预测
返回一个训练好的支持向量机(SVM)金宝app分类器ScoreSVMModel
= fitPosterior (SVMModel
资源描述
Y
返回一个训练好的SVM分类器ScoreSVMModel
= fitPosterior (SVMModel
X
Y
[
另外返回最优分数-后验概率转换函数参数(ScoreSVMModel
ScoreTransform
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.
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)).
如果类是不可分割的,那么转换函数是乙状结肠函数.
如果类是完全可分离的,那么变换函数就是阶跃函数.
在两类学习中,如果两个类中有一个类的相对频率为0,则转换函数为常数函数.的fitPosterior函数不适合单类学习。
该软件将最优得分-后验概率转换函数存储在ScoreSVMModel。ScoreTransform.
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
该软件使用SVM分类器拟合适当的得分-后验概率转换函数 如果类是不可分割的,那么转换函数是 如果类是完全可分离的,那么变换函数就是 在两类学习中,如果两个类中有一个类的相对频率为0,则转换函数为 该软件将最优得分-后验概率转换函数存储在 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 显示警告 将原始转换函数重置为
选择功能
您还可以通过使用拟合最佳得分后验概率函数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。
您还可以通过使用拟合最佳得分后验概率函数fitSVMPosterior
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。
[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
版本历史
在R2014a中引入
在R2014a中引入
另请参阅
CompactClassificationSVM
|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">fitcsvm
|<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">预测
CompactClassificationSVM
|<年代pan itemscope itemtype="//www.tatmou.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">fitcsvm
|<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">预测