discard金宝appSupportVectors
丢弃的支持向量的金宝app线性支持向量机二进制学习者ECOC模型
描述
返回一个训练有素的多级纠错输出编码(ECOC)模型(Mdl
= discard金宝appSupportVectors (MdlSV
)Mdl
)从训练有素的多级ECOC模型(MdlSV
),它包含至少一个线性的CompactClassificationSVM
二进制的学习者。这两个Mdl
和MdlSV
相同类型的对象,要么ClassificationECOC
对象或CompactClassificationECOC
对象。
Mdl
有这些特征:
的
α
,金宝appSupportVectors
,金宝appSupportVectorLabels
所有的属性线性支持向量机二进制学习者是空的([]
)。如果你显示任何二进制学习者存储单元阵列的线性支持向量机训练模型
Mdl.BinaryLearners
,软件列表β
财产,而不是α
。
例子
输入参数
更多关于
提示
默认情况下,为了提高效率,
fitcecoc
清空了α
,金宝appSupportVectorLabels
,金宝appSupportVectors
属性对所有线性SVM二进制学习者。fitcecoc
列表β
,而不是α
,在模型中显示。来存储
α
,金宝appSupportVectorLabels
,金宝appSupportVectors
,通过一个线性支持向量机模板,指定存储支持向量金宝appfitcecoc
。例如,输入:t = templateSVM (“Save金宝appSupportVectors”,真正的)Mdl = fitcecoc (X, Y,“学习者”t);
你可以把支持向量和相关值通过产生的金宝app
ClassificationECOC
模型discard金宝appSupportVectors
。
算法
预测
和resubPredict
估计SVM分数f(x)为每个线性SVM二进制学习者在一个ECOC模型使用
β是β
财产和b是偏见
财产的二进制学习者。您可以访问这些属性为每个线性SVM二进制单元阵列的学习者Mdl.BinaryLearners
。为更多的细节在SVM得分计算,看看金宝app支持向量机的二叉分类。
扩展功能
版本历史
介绍了R2015a