ClassificationECOC类gydF4y2Ba
超类:gydF4y2BaCompactClassificationECOCgydF4y2Ba
支持向量机或其他分类器的多类模型万博1manbetxgydF4y2Ba
描述gydF4y2Ba
ClassificationECOCgydF4y2Ba
是一个gydF4y2Ba纠错输出代码gydF4y2Ba(ECOC)分类器用于多类学习,通过简化为多个二进制分类器,如支持向量机(svm)。万博1manbetx训练gydF4y2BaClassificationECOCgydF4y2Ba
分类器使用gydF4y2BafitcecocgydF4y2Ba
还有训练数据。gydF4y2Ba
训练有素的gydF4y2BaClassificationECOCgydF4y2Ba
分类器存储训练数据、参数值、先验概率和编码矩阵。你可以使用这些分类器:gydF4y2Ba
估计再替代预测。详细信息请参见gydF4y2Ba
resubPredictgydF4y2Ba
。gydF4y2Ba预测新数据的标签或后验概率。详细信息请参见gydF4y2Ba
预测gydF4y2Ba
。gydF4y2Ba
建设gydF4y2Ba
返回一个完整的、经过训练的多类gydF4y2Ba纠错输出码(ECOC)模型gydF4y2Ba使用表中的预测器gydF4y2BaMdlgydF4y2Ba
= fitcecoc (gydF4y2Ba资源描述gydF4y2Ba
,gydF4y2BaResponseVarNamegydF4y2Ba
)gydF4y2Ba资源描述gydF4y2Ba
类标签在里面gydF4y2Ba资源描述。ResponseVarNamegydF4y2Ba
。默认情况下,gydF4y2BafitcecocgydF4y2Ba
使用gydF4y2BaKgydF4y2Ba(gydF4y2BaKgydF4y2Ba- 1)/2二进制支持向量机万博1manbetx(SVM)模型采用一对一gydF4y2Ba编码设计gydF4y2Ba,在那里gydF4y2BaKgydF4y2Ba是唯一类标签(级别)的数量。gydF4y2BaMdlgydF4y2Ba
是一个gydF4y2BaClassificationECOCgydF4y2Ba
模型。gydF4y2Ba
使用表中的预测器数据和类标签返回ECOC模型gydF4y2BaMdlgydF4y2Ba
= fitcecoc (gydF4y2Ba资源描述gydF4y2Ba
,gydF4y2Ba公式gydF4y2Ba
)gydF4y2Ba资源描述gydF4y2Ba
。gydF4y2Ba公式gydF4y2Ba
是否有响应的解释模型和预测变量的子集gydF4y2Ba资源描述gydF4y2Ba
用于训练。gydF4y2Ba
使用表中的预测器返回一个ECOC模型gydF4y2BaMdlgydF4y2Ba
= fitcecoc (gydF4y2Ba资源描述gydF4y2Ba
,gydF4y2BaYgydF4y2Ba
)gydF4y2Ba资源描述gydF4y2Ba
类的标签是向量gydF4y2BaYgydF4y2Ba
。gydF4y2Ba
返回使用预测器的完整训练ECOC模型gydF4y2BaMdlgydF4y2Ba
= fitcecoc (gydF4y2BaXgydF4y2Ba
,gydF4y2BaYgydF4y2Ba
)gydF4y2BaXgydF4y2Ba
还有类别标签gydF4y2BaYgydF4y2Ba
。gydF4y2Ba
返回一个ECOC模型,其中包含一个或多个指定的附加选项gydF4y2BaMdlgydF4y2Ba
= fitcecoc (gydF4y2Ba___gydF4y2Ba,gydF4y2Ba名称,值gydF4y2Ba
)gydF4y2Ba名称,值gydF4y2Ba
对参数,使用前面的任何语法。例如,指定不同的二进制学习器、不同的编码设计或交叉验证。方法进行交叉验证是一种良好的实践gydF4y2BaKfoldgydF4y2Ba
名称,值gydF4y2Ba
对参数。交叉验证结果决定了ECOC分类器的泛化效果。gydF4y2Ba
如果指定以下五个选项之一,则gydF4y2BaMdlgydF4y2Ba
是一个gydF4y2BaClassificationPartitionedECOCgydF4y2Ba
模型:gydF4y2Ba“CrossVal”gydF4y2Ba
,gydF4y2Ba“CVPartition”gydF4y2Ba
,gydF4y2Ba“坚持”gydF4y2Ba
,gydF4y2Ba“KFold”gydF4y2Ba
,或gydF4y2Ba“Leaveout”gydF4y2Ba
。否则,gydF4y2BaMdlgydF4y2Ba
是一个gydF4y2BaClassificationECOCgydF4y2Ba
分类器。gydF4y2Ba
输入参数gydF4y2Ba
资源描述gydF4y2Ba
- - - - - -gydF4y2Ba样本数据gydF4y2Ba
表格gydF4y2Ba
示例数据,指定为表。每行gydF4y2Ba资源描述gydF4y2Ba
对应一个观测值,每一列对应一个预测值。可选地,gydF4y2Ba资源描述gydF4y2Ba
可以为响应变量包含一个额外的列。不接受多列变量和字符向量单元格数组以外的单元格数组。gydF4y2Ba
如果gydF4y2Ba资源描述gydF4y2Ba
包含响应变量,您希望在中使用所有剩余变量gydF4y2Ba资源描述gydF4y2Ba
作为预测器,然后使用指定响应变量gydF4y2BaResponseVarNamegydF4y2Ba
。gydF4y2Ba
如果gydF4y2Ba资源描述gydF4y2Ba
包含响应变量,并且您希望仅在中使用其余变量的子集gydF4y2Ba资源描述gydF4y2Ba
作为预测器,指定使用的公式gydF4y2Ba公式gydF4y2Ba
。gydF4y2Ba
如果gydF4y2Ba资源描述gydF4y2Ba
不包含响应变量,指定响应变量使用gydF4y2BaYgydF4y2Ba
。响应变量的长度和个数gydF4y2Ba资源描述gydF4y2Ba
行必须相等。gydF4y2Ba
请注意gydF4y2Ba
为了训练线性分类模型,gydF4y2BafitcecocgydF4y2Ba
不支持表。万博1manbetx也就是说,如果gydF4y2Ba学习者gydF4y2Ba
是gydF4y2Ba“线性”gydF4y2Ba
或包含线性分类模型学习器模板(参见gydF4y2BatemplateLineargydF4y2Ba
),你不能供应gydF4y2Ba资源描述gydF4y2Ba
,gydF4y2BaResponseVarNamegydF4y2Ba
,或gydF4y2Ba公式gydF4y2Ba
。提供预测数据矩阵(gydF4y2BaXgydF4y2Ba
)和一个响应数组(gydF4y2BaYgydF4y2Ba
)。gydF4y2Ba
数据类型:gydF4y2Ba表格gydF4y2Ba
ResponseVarNamegydF4y2Ba
- - - - - -gydF4y2Ba响应变量名gydF4y2Ba
变量名gydF4y2Ba资源描述gydF4y2Ba
响应变量名,指定为中的变量名gydF4y2Ba资源描述gydF4y2Ba
。gydF4y2Ba
您必须指定gydF4y2BaResponseVarNamegydF4y2Ba
作为一个字符向量。例如,如果响应变量gydF4y2BaYgydF4y2Ba
存储为gydF4y2Ba资源描述。YgydF4y2Ba
,然后指定为gydF4y2Ba“Y”gydF4y2Ba
。否则,软件处理的所有列gydF4y2Ba资源描述gydF4y2Ba
,包括gydF4y2BaYgydF4y2Ba
,作为训练模型时的预测因子。gydF4y2Ba
响应变量必须是类别数组或字符数组、逻辑向量或数字向量或字符向量的单元格数组。如果gydF4y2BaYgydF4y2Ba
是字符数组,则响应变量的每个元素必须对应于数组中的一行。gydF4y2Ba
类指定类的顺序是一个很好的实践gydF4y2Ba一会gydF4y2Ba
名称-值对参数。gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
公式gydF4y2Ba
- - - - - -gydF4y2Ba反应解释模型和预测变量子集gydF4y2Ba
特征向量gydF4y2Ba
解释模型的响应和预测变量的子集,以特征向量的形式指定gydF4y2Ba“Y ~ X1 + X2 + X3”gydF4y2Ba
。在这种形式下,gydF4y2BaYgydF4y2Ba
表示响应变量,和gydF4y2BaX1gydF4y2Ba
,gydF4y2BaX2gydF4y2Ba
,gydF4y2BaX3gydF4y2Ba
表示预测变量。变量名称必须为gydF4y2Ba资源描述gydF4y2Ba
(gydF4y2BaTbl.Properties.VariableNamesgydF4y2Ba
).gydF4y2Ba
中指定变量的子集gydF4y2Ba资源描述gydF4y2Ba
使用公式作为训练模型的预测因子。如果您指定了一个公式,那么该软件不使用任何变量gydF4y2Ba资源描述gydF4y2Ba
没有出现在gydF4y2Ba公式gydF4y2Ba
。gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
YgydF4y2Ba
- - - - - -gydF4y2Ba类标签gydF4y2Ba
分类数组gydF4y2Ba|gydF4y2Ba字符数组gydF4y2Ba|gydF4y2Ba逻辑向量gydF4y2Ba|gydF4y2Ba数值向量gydF4y2Ba|gydF4y2Ba字符向量的单元格数组gydF4y2Ba
ECOC模型训练到的类标签,指定为类别或字符数组、逻辑或数字向量或字符向量的单元格数组。gydF4y2Ba
如果gydF4y2BaYgydF4y2Ba
是字符数组,则每个元素必须对应数组中的一行。gydF4y2Ba
的长度gydF4y2BaYgydF4y2Ba
的行数gydF4y2Ba资源描述gydF4y2Ba
或gydF4y2BaXgydF4y2Ba
必须是相等的。gydF4y2Ba
类指定类顺序是一种良好的实践gydF4y2Ba一会gydF4y2Ba
名称-值对参数。gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
|gydF4y2Ba细胞gydF4y2Ba
|gydF4y2Ba分类gydF4y2Ba
|gydF4y2Ba逻辑gydF4y2Ba
|gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
XgydF4y2Ba
- - - - - -gydF4y2Ba预测数据gydF4y2Ba
数值矩阵gydF4y2Ba
ECOC分类器训练的预测器数据,指定为数值矩阵。gydF4y2Ba
如果gydF4y2Ba
学习者gydF4y2Ba
是gydF4y2Ba“线性”gydF4y2Ba
或包含线性分类模型学习器模板(参见gydF4y2BatemplateLineargydF4y2Ba
),一排排的gydF4y2BaXgydF4y2Ba
必须对应于预测器(特征)变量,列必须对应于观察结果(实例或示例)。这个方向增强了高维数据的内存分配管理。gydF4y2Ba否则,每一行gydF4y2Ba
XgydF4y2Ba
对应于一个观察结果(也称为实例或示例),每一列对应于一个变量(也称为特征)。gydF4y2Ba
每行gydF4y2BaXgydF4y2Ba
对应一个观察结果(也称为实例或示例),每一列对应一个预测器。gydF4y2Ba
的长度gydF4y2BaYgydF4y2Ba
的行数gydF4y2BaXgydF4y2Ba
必须是相等的。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba单gydF4y2Ba
请注意gydF4y2Ba
软件处理gydF4y2Ba南gydF4y2Ba
,空字符向量(gydF4y2Ba”gydF4y2Ba
),gydF4y2Ba<定义>gydF4y2Ba
元素作为缺失的数据。该软件删除行gydF4y2BaXgydF4y2Ba
中的缺失值对应gydF4y2BaYgydF4y2Ba
。中缺失值的处理gydF4y2BaXgydF4y2Ba
在二元学习器中有所不同。有关详细信息,请参阅二元学习器的训练函数:gydF4y2BafitcdiscrgydF4y2Ba
,gydF4y2BafitcknngydF4y2Ba
,gydF4y2BafitclineargydF4y2Ba
,gydF4y2BafitcnbgydF4y2Ba
,gydF4y2BafitcsvmgydF4y2Ba
,gydF4y2BafitctreegydF4y2Ba
,或gydF4y2BafitcensemblegydF4y2Ba
。删除观察值会降低有效训练或交叉验证样本量。gydF4y2Ba
属性gydF4y2Ba
BinaryLearnersgydF4y2Ba
- - - - - -gydF4y2Ba训练有素的二元学习者gydF4y2Ba
模型对象的单元格向量gydF4y2Ba
训练过的二进制学习器,指定为模型对象的单元向量。gydF4y2BaBinaryLearnersgydF4y2Ba
与类一样多的元素gydF4y2BaYgydF4y2Ba
。gydF4y2Ba
软件训练gydF4y2BaBinaryLearner {j}gydF4y2Ba
根据所指定的二进制问题gydF4y2BaCodingMatrixgydF4y2Ba
(:, j)gydF4y2Ba
。例如,对于使用SVM学习器的多类学习,中的每个元素gydF4y2BaBinaryLearnersgydF4y2Ba
是一个gydF4y2BaCompactClassificationSVMgydF4y2Ba
分类器。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
BinaryLossgydF4y2Ba
- - - - - -gydF4y2Ba二元学习器损失函数gydF4y2Ba
表示损失函数名称的字符向量gydF4y2Ba
二元学习器损失函数,指定为表示损失函数名称的字符向量。gydF4y2Ba
如果你使用使用不同损失函数的二元学习器进行训练,那么软件就会设置gydF4y2BaBinaryLossgydF4y2Ba
来gydF4y2Ba“汉明”gydF4y2Ba
。属性在预测或损失计算过程中设置与此默认值不同的二进制损失函数,可潜在地提高精度gydF4y2BaBinaryLossgydF4y2Ba
的名称-值对参数gydF4y2Ba预测gydF4y2Ba
或gydF4y2Ba损失gydF4y2Ba
。gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
BinaryYgydF4y2Ba
- - - - - -gydF4y2Ba二元学习者类标签gydF4y2Ba
数字矩阵gydF4y2Ba
二进制学习器类标签,指定为数值矩阵。gydF4y2BaBinaryYgydF4y2Ba
是一个gydF4y2BaNumObservationsgydF4y2Ba
——- - - - - -gydF4y2BalgydF4y2Ba矩阵,gydF4y2BalgydF4y2Ba是二元学习器的数目(gydF4y2Ba大小(CodingMatrix, 2)gydF4y2Ba
).gydF4y2Ba
的元素gydF4y2BaBinaryYgydF4y2Ba
是gydF4y2Ba1gydF4y2Ba
,gydF4y2Ba0gydF4y2Ba
,或gydF4y2Ba1gydF4y2Ba
,该值对应于二分类的类赋值。该表描述了如何学习gydF4y2BajgydF4y2Ba
分配的观察gydF4y2BakgydF4y2Ba
的值对应于的二分类类gydF4y2BaBinaryY (k, j)gydF4y2Ba
。gydF4y2Ba
价值gydF4y2Ba | 二分类分配gydF4y2Ba |
---|---|
1gydF4y2Ba |
负类gydF4y2Ba |
0gydF4y2Ba |
培训前,学习者gydF4y2BajgydF4y2Ba 删除类中的观察值gydF4y2Ba我gydF4y2Ba 从数据集中。gydF4y2Ba |
1gydF4y2Ba |
积极的课堂gydF4y2Ba |
数据类型:gydF4y2Ba双gydF4y2Ba
CategoricalPredictorsgydF4y2Ba
- - - - - -gydF4y2Ba分类预测因子的索引gydF4y2Ba
正整数向量gydF4y2Ba
分类预测指标,指定为正整数向量。gydF4y2BaCategoricalPredictorsgydF4y2Ba
包含与包含分类预测器的预测器数据列对应的索引值。如果没有一个预测符是分类的,则此属性为空(gydF4y2Ba[]gydF4y2Ba
).gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
一会gydF4y2Ba
- - - - - -gydF4y2Ba唯一的类标签gydF4y2Ba
分类数组gydF4y2Ba|gydF4y2Ba字符数组gydF4y2Ba|gydF4y2Ba逻辑向量gydF4y2Ba|gydF4y2Ba数值向量gydF4y2Ba|gydF4y2Ba字符向量的单元格数组gydF4y2Ba
训练中使用的唯一类标签,指定为类别或字符数组、逻辑或数字向量或字符向量的单元格数组。gydF4y2Ba一会gydF4y2Ba
具有与类标签相同的数据类型(gydF4y2BaYgydF4y2Ba
).gydF4y2Ba一会gydF4y2Ba
也决定了类的顺序。gydF4y2Ba
数据类型:gydF4y2Ba分类gydF4y2Ba
|gydF4y2Ba字符gydF4y2Ba
|gydF4y2Ba逻辑gydF4y2Ba
|gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba细胞gydF4y2Ba
CodingMatrixgydF4y2Ba
- - - - - -gydF4y2Ba课堂作业规范gydF4y2Ba
数字矩阵gydF4y2Ba
二进制学习器的类赋值代码,指定为数值矩阵。gydF4y2BaCodingMatrixgydF4y2Ba
是一个gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BalgydF4y2Ba矩阵,gydF4y2BaKgydF4y2Ba是班级的数量和gydF4y2BalgydF4y2Ba是二元学习器的数目。gydF4y2Ba
的元素gydF4y2BaCodingMatrixgydF4y2Ba
是gydF4y2Ba1gydF4y2Ba
,gydF4y2Ba0gydF4y2Ba
,或gydF4y2Ba1gydF4y2Ba
,该值对应于二分类的类赋值。的含义gydF4y2BaCodingMatrix (i, j)gydF4y2Ba
即班即学习者gydF4y2BajgydF4y2Ba
分配给课堂上的观察gydF4y2Ba我gydF4y2Ba
。gydF4y2Ba
价值gydF4y2Ba | 二分类分配gydF4y2Ba |
---|---|
1gydF4y2Ba |
负类gydF4y2Ba |
0gydF4y2Ba |
培训前,学习者gydF4y2BajgydF4y2Ba 删除类中的观察值gydF4y2Ba我gydF4y2Ba 从数据集中。gydF4y2Ba |
1gydF4y2Ba |
积极的课堂gydF4y2Ba |
数据类型:gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba单gydF4y2Ba
|gydF4y2Baint8gydF4y2Ba
|gydF4y2Baint16gydF4y2Ba
|gydF4y2Baint32gydF4y2Ba
|gydF4y2Baint64gydF4y2Ba
CodingNamegydF4y2Ba
- - - - - -gydF4y2Ba编码设计名称gydF4y2Ba
特征向量gydF4y2Ba
编码设计名称,指定为字符向量。详情请参见gydF4y2Ba编码设计gydF4y2Ba。gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
成本gydF4y2Ba
- - - - - -gydF4y2Ba误分类代价gydF4y2Ba
方形数值矩阵gydF4y2Ba
此属性是只读的。gydF4y2Ba
错误分类代价,指定为方阵数字矩阵。gydF4y2Ba成本gydF4y2Ba
有gydF4y2BaKgydF4y2Ba行和列,其中gydF4y2BaKgydF4y2Ba是类的数量。gydF4y2Ba
成本(gydF4y2Ba
将一个点分类的成本是多少gydF4y2Ba我gydF4y2Ba
,gydF4y2BajgydF4y2Ba
)gydF4y2BajgydF4y2Ba
如果它真正的阶级是gydF4y2Ba我gydF4y2Ba
。的行和列的顺序gydF4y2Ba成本gydF4y2Ba
中类的顺序对应gydF4y2Ba一会gydF4y2Ba
。gydF4y2Ba
fitcecocgydF4y2Ba
结合了不同类型二元学习器的错误分类代价。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
ExpandedPredictorNamesgydF4y2Ba
- - - - - -gydF4y2Ba扩展的预测器名称gydF4y2Ba
字符向量的单元格数组gydF4y2Ba
扩展的预测器名称,存储为字符向量的单元格数组。gydF4y2Ba
如果模型对分类变量使用编码,则gydF4y2BaExpandedPredictorNamesgydF4y2Ba
包括描述展开变量的名称。否则,gydF4y2BaExpandedPredictorNamesgydF4y2Ba
和gydF4y2BaPredictorNamesgydF4y2Ba
。gydF4y2Ba
HyperparameterOptimizationResultsgydF4y2Ba
- - - - - -gydF4y2Ba超参数的交叉验证优化描述gydF4y2Ba
BayesianOptimizationgydF4y2Ba
对象gydF4y2Ba|gydF4y2Ba超参数和相关值的表gydF4y2Ba
超参数的交叉验证优化的描述,存储为gydF4y2BaBayesianOptimizationgydF4y2Ba
对象或超参数及相关值的表。当gydF4y2BaOptimizeHyperparametersgydF4y2Ba
名称-值对在创建时是非空的。属性的设置gydF4y2BaHyperparameterOptimizationOptionsgydF4y2Ba
创建时的名称-值对:gydF4y2Ba
“bayesopt”gydF4y2Ba
(默认)-类的对象gydF4y2BaBayesianOptimizationgydF4y2Ba
“gridsearch”gydF4y2Ba
或gydF4y2Ba“randomsearch”gydF4y2Ba
-使用的超参数表,观察到的目标函数值(交叉验证损失),以及从最低(最好)到最高(最差)的观察值排序gydF4y2Ba
数据类型:gydF4y2Ba表格gydF4y2Ba
LearnerWeightsgydF4y2Ba
- - - - - -gydF4y2Ba二元学习器权重gydF4y2Ba
数字行向量gydF4y2Ba
二进制学习器权重,指定为数值行向量。gydF4y2BaLeanerWeightsgydF4y2Ba
长度等于二元学习器的数量(gydF4y2Ba大小(CodingMatrix, 2)gydF4y2Ba
).gydF4y2Ba
LearnerWeights (gydF4y2Ba
观察权重的和是二元学习者吗gydF4y2BajgydF4y2Ba
)gydF4y2BajgydF4y2Ba
用于训练它的分类器。gydF4y2Ba
软件使用gydF4y2BaLearnerWeightsgydF4y2Ba
通过最小化Kullback-Leibler散度来拟合后验概率。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
|gydF4y2Ba单gydF4y2Ba
ModelParametersgydF4y2Ba
- - - - - -gydF4y2Ba参数值gydF4y2Ba
对象gydF4y2Ba
参数值,例如,用于训练ECOC分类器的名称-值对参数值,指定为对象。gydF4y2BaModelParametersgydF4y2Ba
不包含估计参数。gydF4y2Ba
访问属性gydF4y2BaModelParametersgydF4y2Ba
使用点表示法。例如,列出包含二元学习器使用的参数的模板gydF4y2BaMdl.ModelParameters.BinaryLearnergydF4y2Ba
。gydF4y2Ba
NumObservationsgydF4y2Ba
- - - - - -gydF4y2Ba观察次数gydF4y2Ba
正数值标量gydF4y2Ba
训练数据中的观察数,指定为正数值标量。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
PredictorNamesgydF4y2Ba
- - - - - -gydF4y2Ba预测的名字gydF4y2Ba
字符向量的单元格数组gydF4y2Ba
预测器名称按其在预测器数据中出现的顺序排列(gydF4y2BaXgydF4y2Ba
),指定为字符向量的单元格数组。的长度gydF4y2BaPredictorNamesgydF4y2Ba
等于里面的列数gydF4y2BaXgydF4y2Ba
。gydF4y2Ba
数据类型:gydF4y2Ba细胞gydF4y2Ba
之前gydF4y2Ba
- - - - - -gydF4y2Ba先验类概率gydF4y2Ba
数值向量gydF4y2Ba
此属性是只读的。gydF4y2Ba
优先类概率,指定为数值向量。gydF4y2Ba之前gydF4y2Ba
与类一样多的元素gydF4y2Ba一会gydF4y2Ba
,元素的顺序对应于的元素gydF4y2Ba一会gydF4y2Ba
。gydF4y2Ba
fitcecocgydF4y2Ba
结合了不同类型二元学习器的错误分类代价。gydF4y2Ba
数据类型:gydF4y2Ba双gydF4y2Ba
ResponseNamegydF4y2Ba
- - - - - -gydF4y2Ba响应变量名gydF4y2Ba
字符数组gydF4y2Ba
响应变量名,指定为字符数组。gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
ScoreTransformgydF4y2Ba
- - - - - -gydF4y2Ba分数转换函数应用于预测分数gydF4y2Ba
特征向量gydF4y2Ba|gydF4y2Ba函数处理gydF4y2Ba
分数转换函数应用于预测分数,指定为字符向量或函数句柄。gydF4y2Ba
要将分数转换函数更改为,例如,gydF4y2Ba函数gydF4y2Ba
,使用点表示法。gydF4y2Ba
对于内置函数,输入此代码并替换gydF4y2Ba
函数gydF4y2Ba
表中的字符向量。gydF4y2BaMdl。ScoreTransform = 'gydF4y2Ba函数gydF4y2Ba”;gydF4y2Ba
价值gydF4y2Ba 描述gydF4y2Ba “doublelogit”gydF4y2Ba
1 / (1 +gydF4y2BaegydF4y2Ba2gydF4y2BaxgydF4y2Ba)gydF4y2Ba “invlogit”gydF4y2Ba
日志(gydF4y2BaxgydF4y2Ba/ (1 -gydF4y2BaxgydF4y2Ba))gydF4y2Ba “ismax”gydF4y2Ba
将得分最大的类的得分设置为gydF4y2Ba 1gydF4y2Ba
,并将所有其他类的分数设置为gydF4y2Ba0gydF4y2Ba
分对数的gydF4y2Ba
1 / (1 +gydF4y2BaegydF4y2Ba- - - - - -gydF4y2BaxgydF4y2Ba)gydF4y2Ba “没有”gydF4y2Ba
或gydF4y2Ba“身份”gydF4y2Ba
xgydF4y2Ba(转换)gydF4y2Ba “标志”gydF4y2Ba
1gydF4y2BaxgydF4y2Ba< 0gydF4y2Ba
为0gydF4y2BaxgydF4y2Ba= 0gydF4y2Ba
1gydF4y2BaxgydF4y2Ba> 0gydF4y2Ba“对称”gydF4y2Ba
2gydF4y2BaxgydF4y2Ba- 1gydF4y2Ba “symmetricismax”gydF4y2Ba
将得分最大的类的得分设置为gydF4y2Ba 1gydF4y2Ba
,并将所有其他类的分数设置为gydF4y2Ba1gydF4y2Ba
“symmetriclogit”gydF4y2Ba
2 / (1 +gydF4y2BaegydF4y2Ba- - - - - -gydF4y2BaxgydF4y2Ba) - 1gydF4y2Ba 对于MATLABgydF4y2Ba®gydF4y2Ba函数,或您定义的函数,输入其函数句柄。gydF4y2Ba
Mdl。ScoreTransform = @gydF4y2Ba函数gydF4y2Ba;gydF4y2Ba
函数gydF4y2Ba
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)。gydF4y2Ba
数据类型:gydF4y2Ba字符gydF4y2Ba
|gydF4y2Bafunction_handlegydF4y2Ba
WgydF4y2Ba
- - - - - -gydF4y2Ba观察权重gydF4y2Ba
数值向量gydF4y2Ba
用于训练分类器的观察权重,指定为数值向量。gydF4y2BaWgydF4y2Ba
有gydF4y2BaNumObservationsgydF4y2Ba
元素。gydF4y2Ba
该软件将用于训练的权重规范化,以便gydF4y2Banansum (W)gydF4y2Ba
是gydF4y2Ba1gydF4y2Ba
。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
XgydF4y2Ba
- - - - - -gydF4y2Ba用于训练分类器的非标准化预测数据gydF4y2Ba
数字矩阵gydF4y2Ba
用于训练分类器的非标准化预测器数据,指定为数值矩阵。gydF4y2BaXgydF4y2Ba
是一个gydF4y2BaNumObservationsgydF4y2Ba
——- - - - - -gydF4y2BapgydF4y2Ba矩阵,gydF4y2BapgydF4y2Ba是预测因子的数量。gydF4y2Ba
每行gydF4y2BaXgydF4y2Ba
对应一个观察结果,每一列对应一个变量。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
YgydF4y2Ba
- - - - - -gydF4y2Ba观察到的类别标签gydF4y2Ba
分类数组gydF4y2Ba|gydF4y2Ba字符数组gydF4y2Ba|gydF4y2Ba逻辑向量gydF4y2Ba|gydF4y2Ba数值向量gydF4y2Ba|gydF4y2Ba字符向量的单元格数组gydF4y2Ba
用于训练分类器的观察类标签,指定为类别或字符数组、逻辑或数字向量或字符向量的单元格数组。gydF4y2BaYgydF4y2Ba
有gydF4y2BaNumObservationsgydF4y2Ba
元素,并且是与输入参数相同的数据类型gydF4y2BaYgydF4y2Ba
的gydF4y2BafitcecocgydF4y2Ba
。gydF4y2Ba
每行gydF4y2BaYgydF4y2Ba
的对应行所观察的分类gydF4y2Ba资源描述gydF4y2Ba
或gydF4y2BaXgydF4y2Ba
。gydF4y2Ba
方法gydF4y2Ba
紧凑的gydF4y2Ba | 紧凑的多类,纠错输出代码模型gydF4y2Ba |
crossvalgydF4y2Ba | 交叉验证多类、纠错输出代码模型gydF4y2Ba |
resubEdgegydF4y2Ba | 基于多类、纠错输出编码的边缘分类模型gydF4y2Ba |
resubLossgydF4y2Ba | 多类纠错输出码模型的分类损失重替换gydF4y2Ba |
resubMargingydF4y2Ba | 基于多类纠错输出码模型的分类边界重构gydF4y2Ba |
resubPredictgydF4y2Ba | 预测多类、纠错输出代码模型的再替换响应gydF4y2Ba |
继承的方法gydF4y2Ba
compareHoldoutgydF4y2Ba | 比较使用新数据的两种分类模型的准确性gydF4y2Ba |
discard万博1manbetxSupportVectorsgydF4y2Ba | 舍弃线性支持向量万博1manbetx机二元学习器的支持向量gydF4y2Ba |
边缘gydF4y2Ba | 用于多类、纠错输出代码模型的分类边gydF4y2Ba |
损失gydF4y2Ba | 多类纠错输出码模型的分类损失gydF4y2Ba |
保证金gydF4y2Ba | 多类、纠错输出代码模型的分类裕度gydF4y2Ba |
预测gydF4y2Ba | 使用多类、纠错输出代码模型预测标签gydF4y2Ba |
selectModelsgydF4y2Ba | 选择正则化线性分类模型的子集gydF4y2Ba |
复制语义gydF4y2Ba
价值。要了解值类如何影响复制操作,请参见gydF4y2Ba复制对象gydF4y2Ba(MATLAB)。gydF4y2Ba
例子gydF4y2Ba
使用SVM学习器训练多类模型gydF4y2Ba
使用支持向量机(SVM)二元学习器训练一个纠错输出代码(ECOC)多类模型。万博1manbetxgydF4y2Ba
加载费雪的虹膜数据集。gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2BaX = meas;Y =物种;gydF4y2Ba
使用默认选项训练ECOC多类模型。gydF4y2Ba
Mdl = fitcecoc(X,Y)gydF4y2Ba
Mdl = ClassificationECOC ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'setosa' 'versicolor' 'virginica'} ScoreTransform: 'none' BinaryLearners: {3x1 cell} CodingName: 'onevsone'属性,方法gydF4y2Ba
MdlgydF4y2Ba
是一个gydF4y2BaClassificationECOCgydF4y2Ba
模型。默认情况下,gydF4y2BafitcecocgydF4y2Ba
使用SVM二元学习器,并使用一对一编码设计。你可以访问gydF4y2BaMdlgydF4y2Ba
使用点表示法的属性。gydF4y2Ba
显示编码设计矩阵。gydF4y2Ba
Mdl。一会gydF4y2Ba
ans =gydF4y2Ba3x1单元阵列gydF4y2Ba{'setosa'} {'versicolor'} {'virginica'}gydF4y2Ba
编码垫= Mdl。CodingMatrixgydF4y2Ba
CodingMat =gydF4y2Ba3×3gydF4y2Ba1 1 0 -1 0 0 -1 -1gydF4y2Ba
在三个类上的一对一编码设计产生三个二进制学习器。列gydF4y2BaCodingMatgydF4y2Ba
对应于学习者,行对应于类。类的顺序对应于中的顺序gydF4y2BaMdl。一会gydF4y2Ba
。例如,gydF4y2BaCodingMat (: 1)gydF4y2Ba
是gydF4y2Ba(1;1;0]gydF4y2Ba
并表明该软件使用分类为的所有观测值来训练第一个支持向量机二元学习器gydF4y2Ba“setosa”gydF4y2Ba
和gydF4y2Ba“多色的”gydF4y2Ba
。自gydF4y2Ba“setosa”gydF4y2Ba
对应于gydF4y2Ba1gydF4y2Ba
,是正类,自gydF4y2Ba“多色的”gydF4y2Ba
对应于gydF4y2Ba1gydF4y2Ba
,它是否定类。gydF4y2Ba
您可以使用单元索引和点表示法访问每个二进制学习器。gydF4y2Ba
Mdl。BinaryLearners {1}gydF4y2Ba第一个二元学习者gydF4y2Ba
ans = classreg.learning.classif.CompactClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: [-1 1] ScoreTransform: 'none' Beta: [4x1 double]偏差:1.4505 KernelParameters: [1x1 struct]属性,方法gydF4y2Ba
计算样本内分类误差。gydF4y2Ba
isLoss = resubLoss(Mdl)gydF4y2Ba
isLoss = 0.0067gydF4y2Ba
分类误差很小,但分类器可能过拟合。可以使用交叉验证分类器gydF4y2BacrossvalgydF4y2Ba
。gydF4y2Ba
考察ECOC分类器的二元Leaner属性gydF4y2Ba
您可以使用点表示法访问二元学习器的属性,例如估计的参数。gydF4y2Ba
加载费雪的虹膜数据集。使用花瓣尺寸作为预测器。gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2BaX = meas(:,3:4);Y =物种;gydF4y2Ba
使用SVM二元学习器和默认编码设计(一对一)训练ECOC分类器。标准化预测因子并保存支持向量。万博1manbetxgydF4y2Ba
t = templateSVM(gydF4y2Ba“标准化”gydF4y2Ba, 1gydF4y2Ba“Save万博1manbetxSupportVectors”gydF4y2Ba,真正的);predictorNames = {gydF4y2Ba“petalLength”gydF4y2Ba,gydF4y2Ba“petalWidth”gydF4y2Ba};responseName =gydF4y2Ba“irisSpecies”gydF4y2Ba;classNames = {gydF4y2Ba“setosa”gydF4y2Ba,gydF4y2Ba“多色的”gydF4y2Ba,gydF4y2Ba“virginica”gydF4y2Ba};gydF4y2Ba指定类别顺序gydF4y2BaMdl = fitcecoc(X,Y,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba“ResponseName”gydF4y2BaresponseName,gydF4y2Ba…gydF4y2Ba“PredictorNames”gydF4y2BapredictorNames,gydF4y2Ba“类名”gydF4y2Ba类名)gydF4y2Ba
tgydF4y2Ba
是包含支持向量机分类选项的模板对象。所有属性均为空(gydF4y2Ba[]gydF4y2Ba
),除了gydF4y2Ba方法gydF4y2Ba
,gydF4y2BaSave万博1manbetxSupportVectorsgydF4y2Ba
,gydF4y2BaStandardizeDatagydF4y2Ba
,gydF4y2Ba类型gydF4y2Ba
。gydF4y2BafitcecocgydF4y2Ba
使用空属性的默认值。gydF4y2BaMdlgydF4y2Ba
是一个gydF4y2BaClassificationECOCgydF4y2Ba
分类器。您可以使用点表示法访问它的属性。gydF4y2Ba
显示类名和编码设计矩阵。gydF4y2Ba
Mdl。一会Mdl。CodingMatrixl=年代我ze(Mdl.CodingMatrix,2);%支持向量机个数gydF4y2Ba
列对应SVM二元学习器,行对应不同的类。行顺序对应于gydF4y2Ba一会gydF4y2Ba
的属性gydF4y2BaMdlgydF4y2Ba
。对于每一列:gydF4y2Ba
一个gydF4y2Ba
1gydF4y2Ba
表明gydF4y2BafitcecocgydF4y2Ba
用对应班级的观察结果作为阳性组的成员来训练SVM。gydF4y2Ba一个gydF4y2Ba
1gydF4y2Ba
表明gydF4y2BafitcecocgydF4y2Ba
使用对应类中的观察结果作为阴性组的成员来训练SVM。gydF4y2Ba一个gydF4y2Ba
0gydF4y2Ba
表示SVM没有使用对应类中的观测值。gydF4y2Ba
例如,gydF4y2BafitcecocgydF4y2Ba
将所有观测值赋给gydF4y2Ba“setosa”gydF4y2Ba
或gydF4y2Ba“多色的”gydF4y2Ba
,但不是gydF4y2Ba“virginica”gydF4y2Ba
在第一个SVM中。gydF4y2Ba
您可以使用单元格下标和点表示法访问svm的属性。存储每个支持向量机的标准化支持向量。万博1manbetx对支持向量进行非标准化。万博1manbetxgydF4y2Ba
sv = cell(L,1);gydF4y2Ba为支持向量指数预分配万博1manbetxgydF4y2Ba为gydF4y2Baj = 1:L;SVM = mld . binarylearners {j};sv{j} = SVM.万博1manbetxSupportVectors;sv {j} = bsxfun (@plus bsxfun (sv {j}, @times SVM.Sigma), SVM.Mu);gydF4y2Ba结束gydF4y2Ba
svgydF4y2Ba
是包含支持向量机的非标准化支持向量的矩阵单元阵列。万博1manbetxgydF4y2Ba
绘制数据,并确定支持向量。万博1manbetxgydF4y2Ba
图;h = 0 (3 + L,1);gydF4y2Ba%为句柄预分配gydF4y2Bah(1:3) = gscatter(X(:,1),X(:,2),Y);持有gydF4y2Ba在gydF4y2Ba;标记= {gydF4y2Ba“柯”gydF4y2Ba,gydF4y2Ba“罗”gydF4y2Ba,gydF4y2Ba“波”gydF4y2Ba};gydF4y2Ba为gydF4y2Baj = 1:L;SVS = sv{j};H (j + 3) = plot(svs(:,1),svs(:,2),标记{j},gydF4y2Ba…gydF4y2Ba“MarkerSize”gydF4y2Ba,10 + (j - 1)*3);gydF4y2Ba结束gydF4y2Ba标题gydF4y2Ba“费希尔的虹膜——ECOC支持载体”万博1manbetxgydF4y2Ba;包含(predictorNames {1});ylabel (predictorNames {2});传奇(h,一会,{gydF4y2Ba支万博1manbetx持向量-支持向量机1gydF4y2Ba,gydF4y2Ba…gydF4y2Ba支万博1manbetx持向量- SVM 2gydF4y2Ba,gydF4y2Ba支万博1manbetx持向量-支持向量机3gydF4y2Ba}),gydF4y2Ba…gydF4y2Ba“位置”gydF4y2Ba,gydF4y2Ba“最佳”gydF4y2Ba)举行gydF4y2Ba从gydF4y2Ba
你可以通过gydF4y2BaMdlgydF4y2Ba
:gydF4y2Ba
预测gydF4y2Ba
对新观测进行分类gydF4y2BaresubLossgydF4y2Ba
估计样本内分类误差gydF4y2BacrossvalgydF4y2Ba
执行10倍交叉验证。gydF4y2Ba
交叉验证ECOC分类器gydF4y2Ba
加载费雪的虹膜数据集。gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2BaX = meas;Y =物种;rng (1);gydF4y2Ba%用于再现性gydF4y2Ba
创建SVM模板。标准化预测器是一种很好的实践。gydF4y2Ba
t = templateSVM(gydF4y2Ba“标准化”gydF4y2Ba, 1)gydF4y2Ba
t =拟合分类支持向量机模板。Alpha: [0x1 double] BoxConstraint: [] CacheSize: [] CachingMethod: " ClipAlphas: [] DeltaGradientTolerance: [] Epsilon: [] GapTolerance: [] kkttolance: [] IterationLimit: [] KernelFunction: " KernelScale: [] KernelOffset: [] kernelpoliialorder: [] NumPrint: [] Nu: [] OutlierFraction: [] removeduplicate: [] ShrinkagePeriod: [] Solver: " StandardizeData: 1 SaveSupportVe万博1manbetxctors: [] VerbosityLevel: [] Version: 2 Method: 'SVM' Type: 'classification'gydF4y2Ba
tgydF4y2Ba
为支持向量机模板。它的所有属性都为空,除了gydF4y2BaStandardizeDatagydF4y2Ba
,gydF4y2Ba方法gydF4y2Ba
,gydF4y2Ba类型gydF4y2Ba
。当软件训练ECOC分类器时,它将适用的属性设置为默认值。gydF4y2Ba
训练ECOC分类器。最好的做法是指定类的顺序。gydF4y2Ba
Mdl = fitcecoc(X,Y,gydF4y2Ba“学习者”gydF4y2BatgydF4y2Ba…gydF4y2Ba“类名”gydF4y2Ba, {gydF4y2Ba“setosa”gydF4y2Ba,gydF4y2Ba“多色的”gydF4y2Ba,gydF4y2Ba“virginica”gydF4y2Ba});gydF4y2Ba
MdlgydF4y2Ba
是一个gydF4y2BaClassificationECOCgydF4y2Ba
分类器。您可以使用点表示法访问它的属性。gydF4y2Ba
旨在gydF4y2BaMdlgydF4y2Ba
使用10倍交叉验证。gydF4y2Ba
CVMdl = crossval(Mdl);gydF4y2Ba
CVMdlgydF4y2Ba
是一个gydF4y2BaClassificationPartitionedECOCgydF4y2Ba
交叉验证ECOC分类器。gydF4y2Ba
估计泛化误差。gydF4y2Ba
oosLoss = kfoldLoss(cvdl)gydF4y2Ba
oosLoss = 0.0400gydF4y2Ba
样本外分类误差为4%,说明ECOC分类器泛化效果较好。gydF4y2Ba
更多关于gydF4y2Ba
纠错输出代码模型gydF4y2Ba
一个gydF4y2Ba纠错输出码(ECOC)模型gydF4y2Ba将三个或更多类的分类问题简化为一组二进制分类器。gydF4y2Ba
ECOC分类需要一个编码设计,它决定了二进制学习者训练的类,以及一个解码方案,它决定了二进制分类器的结果(预测)如何聚合。gydF4y2Ba
假设:gydF4y2Ba
有三门课。gydF4y2Ba
编码设计是一对一的。gydF4y2Ba
解码方案使用损耗gydF4y2BaggydF4y2Ba。gydF4y2Ba
学习者是支持向量机。gydF4y2Ba
为了建立这个分类模型,ECOC遵循以下步骤。gydF4y2Ba
一对一的编码设计是gydF4y2Ba
一个新的观察值被分配给类(gydF4y2Ba ),以尽量减少损失的总和gydF4y2BalgydF4y2Ba二进制的学习者。也就是说,gydF4y2Ba
ECOC模型可以提高分类精度,甚至与其他多类模型相比gydF4y2Ba[2]gydF4y2Ba。gydF4y2Ba
编码设计gydF4y2Ba
一个gydF4y2Ba编码设计gydF4y2Ba是一个矩阵,其中元素指导每个二元学习器训练哪些类,即如何将多类问题简化为一系列二元问题。gydF4y2Ba
编码设计的每行对应一个不同的类,每列对应一个二元学习器。在三元编码设计(由软件采用)中,对于一个特定的列(或二元学习器):gydF4y2Ba
包含1的行指示二元学习器将对应类中的所有观察数据分组为正类。gydF4y2Ba
包含-1的行指示二元学习器将对应类中的所有观察数据分组为负类。gydF4y2Ba
包含0的行指示二元学习器忽略对应类中的所有观察值。gydF4y2Ba
编码矩阵与大,最小,基于汉明测度成对行距离是可取的。有关成对行距离的详细信息,请参见gydF4y2Ba随机编码设计矩阵gydF4y2Ba和gydF4y2Ba[4]gydF4y2Ba。gydF4y2Ba
该表描述了流行的编码设计。对于这个例子,假设gydF4y2BaKgydF4y2Ba(不同类的数量)是3。gydF4y2Ba
编码设计gydF4y2Ba | 描述gydF4y2Ba | 学习人数gydF4y2Ba | 最小成对行距离gydF4y2Ba |
---|---|---|---|
one-versus-all(卵子)gydF4y2Ba | 对于每个二元学习者,一个类是正的,其余的是负的。这种设计用尽了所有积极的课堂作业组合。gydF4y2Ba | KgydF4y2Ba | 2gydF4y2Ba |
one-versus-one(蛋)gydF4y2Ba | 对于每个二元学习器,一个类是正的,另一个是负的,其余的被忽略。这种设计耗尽了类对赋值的所有组合。gydF4y2Ba | KgydF4y2Ba(gydF4y2BaKgydF4y2Ba- 1) / 2gydF4y2Ba |
1gydF4y2Ba |
二进制文件完成gydF4y2Ba | 这种设计将类划分为所有的二进制组合,并且不忽略任何类。也就是说,所有的课堂作业都是gydF4y2Ba |
2gydF4y2BaKgydF4y2Ba- 1gydF4y2Ba- 1gydF4y2Ba | 2gydF4y2BaKgydF4y2Ba- 2gydF4y2Ba |
三元完成gydF4y2Ba | 这种设计将类划分为所有三元组合。也就是说,所有的课堂作业都是gydF4y2Ba |
(3gydF4y2BaKgydF4y2Ba- 2gydF4y2BaKgydF4y2Ba+ 1gydF4y2Ba+ 1) / 2gydF4y2Ba |
3.gydF4y2BaKgydF4y2Ba- 2gydF4y2Ba |
序数gydF4y2Ba | 对于第一个二元学习者,第一堂课是负的,其余的都是正的。对于第二个二元学习者,前两类为负,其余为正,依此类推。gydF4y2Ba | KgydF4y2Ba- 1gydF4y2Ba | 1gydF4y2Ba |
密集的随机gydF4y2Ba | 对于每个二元学习者,软件随机将班级分为正类或负类,每种类型至少有一个。详情请参见gydF4y2Ba随机编码设计矩阵gydF4y2Ba。gydF4y2Ba | 随机的,但大约是10loggydF4y2Ba2gydF4y2BaKgydF4y2Ba |
变量gydF4y2Ba |
稀疏随机gydF4y2Ba | 对于每个二元学习器,软件随机地将类别分配为正或负,每个类别的概率为0.25,并忽略概率为0.5的类别。详情请参见gydF4y2Ba随机编码设计矩阵gydF4y2Ba。gydF4y2Ba | 随机的,但大约是15loggydF4y2Ba2gydF4y2BaKgydF4y2Ba |
变量gydF4y2Ba |
该图比较了编码设计的二进制学习器的数量与增加gydF4y2BaKgydF4y2Ba。gydF4y2Ba
算法gydF4y2Ba
随机编码设计矩阵gydF4y2Ba
例如,对于给定数量的类,gydF4y2BaKgydF4y2Ba,软件生成随机编码设计矩阵如下所示。gydF4y2Ba
该软件生成以下其中一个:gydF4y2Ba
密集随机-软件以相等的概率为每个元素分配1或-1gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BalgydF4y2BadgydF4y2Ba编码设计矩阵,其中gydF4y2Ba
稀疏随机-软件为元素的每个元素赋值1gydF4y2BaKgydF4y2Ba——- - - - - -gydF4y2BalgydF4y2Ba年代gydF4y2Ba概率为0.25的编码设计矩阵,概率为0.25的-1,概率为0.5的0,其中gydF4y2Ba
如果一列不包含至少一个1和至少一个-1,那么软件将删除该列。gydF4y2Ba
对于不同的列gydF4y2BaugydF4y2Ba和gydF4y2BavgydF4y2Ba,如果gydF4y2BaugydF4y2Ba=gydF4y2BavgydF4y2Ba或gydF4y2BaugydF4y2Ba= -gydF4y2BavgydF4y2Ba,然后软件删除gydF4y2BavgydF4y2Ba从编码设计矩阵。gydF4y2Ba
软件默认随机生成10,000个矩阵,并根据汉明测度(gydF4y2Ba[4]gydF4y2Ba)由gydF4y2Ba
万博1manbetx支持向量存储gydF4y2Ba
对于线性SVM二元学习器和效率,gydF4y2BafitcecocgydF4y2Ba
清空属性gydF4y2BaαgydF4y2Ba
,gydF4y2Ba万博1manbetxSupportVectorLabelsgydF4y2Ba
,gydF4y2Ba万博1manbetxSupportVectorsgydF4y2Ba
。gydF4y2BafitcecocgydF4y2Ba
列表gydF4y2BaβgydF4y2Ba
,而不是gydF4y2BaαgydF4y2Ba
,在模型中显示。gydF4y2Ba
来存储gydF4y2BaαgydF4y2Ba
,gydF4y2Ba万博1manbetxSupportVectorLabelsgydF4y2Ba
,gydF4y2Ba万博1manbetxSupportVectorsgydF4y2Ba
,传递一个指定存储支持向量的线性SVM模板万博1manbetxgydF4y2BafitcecocgydF4y2Ba
。例如,输入:gydF4y2Ba
t = templateSVM(gydF4y2Ba“Save万博1manbetxSupportVectors”gydF4y2Ba,gydF4y2Ba“上”gydF4y2Ba) Mdl = fitcecoc(X,Y,gydF4y2Ba“学习者”gydF4y2Bat);gydF4y2Ba
您可以通过传递结果来删除支持向量和相关万博1manbetx值gydF4y2BaClassificationECOCgydF4y2Ba
模型gydF4y2Badiscard万博1manbetxSupportVectorsgydF4y2Ba
。gydF4y2Ba
选择gydF4y2Ba
你可以使用这些替代算法来训练一个多类模型:gydF4y2Ba
分类ensembles-seegydF4y2Ba
fitcensemblegydF4y2Ba
和gydF4y2BaClassificationEnsemblegydF4y2Ba
分类trees-seegydF4y2Ba
fitctreegydF4y2Ba
和gydF4y2BaClassificationTreegydF4y2Ba
判别分析分类器gydF4y2Ba
fitcdiscrgydF4y2Ba
和gydF4y2BaClassificationDiscriminantgydF4y2Ba
kgydF4y2Ba-最近邻分类器-见gydF4y2Ba
fitcknngydF4y2Ba
和gydF4y2BaClassificationKNNgydF4y2Ba
朴素贝叶斯分类器gydF4y2Ba
fitcnbgydF4y2Ba
和gydF4y2BaClassificationNaiveBayesgydF4y2Ba
参考文献gydF4y2Ba
[1] Fürnkranz,约翰内斯。“循环式分类。”机器学习研究,Vol. 2, 2002, pp. 721-747。gydF4y2Ba
[2] Escalera, S., O. Pujol, P. Radeva。纠错输出码的稀疏设计的三进制码的可分性。模式识别通讯,第30卷,第3期,2009,页285-297。gydF4y2Ba
扩展功能gydF4y2Ba
C/ c++代码生成gydF4y2Ba
使用MATLAB®Coder™生成C和c++代码。gydF4y2Ba
使用注意事项和限制:gydF4y2Ba
只有gydF4y2Ba
预测gydF4y2Ba
函数支持代码生成。万博1manbetxgydF4y2Ba当你训练ECOC模型时使用gydF4y2Ba
fitcecocgydF4y2Ba
,则适用以下限制。gydF4y2Ba你不能用gydF4y2Ba
“FitPosterior”gydF4y2Ba
名称-值对参数。gydF4y2Ba所有二元学习器必须是支持向量机分类器或线性分类模型。为gydF4y2Ba
“学习者”gydF4y2Ba
参数,您可以指定:gydF4y2Ba“支持向量机”gydF4y2Ba
或gydF4y2Ba“线性”gydF4y2Ba
SVM模板对象或此类对象的单元格向量(参见gydF4y2Ba
templateSVMgydF4y2Ba
)gydF4y2Ba线性分类模型模板对象或此类对象的单元格向量(参见gydF4y2Ba
templateLineargydF4y2Ba
)gydF4y2Ba
SVM分类器和线性分类模型的代码生成限制也适用于ECOC分类器,这取决于二元学习器的选择。详情请参见gydF4y2Ba代码生成gydF4y2Ba的gydF4y2Ba
ClassificationSVMgydF4y2Ba
类和gydF4y2Ba代码生成gydF4y2Ba的gydF4y2BaClassificationLineargydF4y2Ba
类。gydF4y2Ba
有关代码生成示例,请参见gydF4y2Ba用于预测的代码生成工作流gydF4y2Ba和gydF4y2Ba为代码生成指定可变大小的参数gydF4y2Ba。有关更多信息,请参阅中的主题gydF4y2Ba代码生成gydF4y2Ba。gydF4y2Ba
另请参阅gydF4y2Ba
ClassificationDiscriminantgydF4y2Ba
|gydF4y2BaClassificationEnsemblegydF4y2Ba
|gydF4y2BaClassificationKNNgydF4y2Ba
|gydF4y2BaClassificationLineargydF4y2Ba
|gydF4y2BaClassificationNaiveBayesgydF4y2Ba
|gydF4y2BaClassificationPartitonedECOCgydF4y2Ba
|gydF4y2BaClassificationTreegydF4y2Ba
|gydF4y2BaCompactClassificationECOCgydF4y2Ba
|gydF4y2BafitcdiscrgydF4y2Ba
|gydF4y2BafitcecocgydF4y2Ba
|gydF4y2BafitcensemblegydF4y2Ba
|gydF4y2BafitcknngydF4y2Ba
|gydF4y2BafitclineargydF4y2Ba
|gydF4y2BafitcnbgydF4y2Ba
|gydF4y2BafitcsvmgydF4y2Ba
|gydF4y2BafitctreegydF4y2Ba
在R2014b中引入gydF4y2Ba
MATLAB命令gydF4y2Ba
你点击了一个对应于这个MATLAB命令的链接:gydF4y2Ba
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。万博1manbetxgydF4y2Ba
选择网站gydF4y2Ba
选择一个网站,在可用的地方获得翻译的内容,并查看当地的活动和优惠。根据您所在的位置,我们建议您选择:gydF4y2Ba。gydF4y2Ba
您也可以从以下列表中选择一个网站:gydF4y2Ba
如何获得最佳的网站性能gydF4y2Ba
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。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