ClassificationSVM

万博1manbetx支持向量机(SVM)看到下面成了和二进制分类

描述

ClassificationSVM是一个万博1manbetx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。万博1manbetx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,万博1manbetx总和(Mdl.IsS万博1manbetxupportVector)。

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,万博1manbetxα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万博1manbetxSupportVector`- - - - - -万博1manbetx支持向量指标
逻辑向量

这个属性是只读的。

万博1manbetx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万博1manbetx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,万博1manbetxIs万博1manbetxSupportVector作为支持向量标志只有一个观察。万博1manbetx

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”。

数据类型:字符

`万博1manbetxSupportVectorLabels`- - - - - -万博1manbetx支持向量类标签
年代1数字矢量

这个属性是只读的。

万博1manbetx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,万博1manbetx总和(Mdl.IsS万博1manbetxupportVector)。

的值+ 1在万博1manbetxSupportVectorLabels表明积极的相应的支持向量类(万博1manbetx一会{2})。的值1显示相应的支持向量是负类(万博1manbetx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,万博1manbetx万博1manbetxSupportVectorLabels包含一个独特的支持向量的标签。万博1manbetx

数据类型:单|双

`万博1manbetxSupportVectors`- - - - - -万博1manbetx支持向量
年代——- - - - - -p数字矩阵

这个属性是只读的。

万博1manbetx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,万博1manbetx总和(Mdl.IsS万博1manbetxupportVector),p是预测变量预测的数据的数量。

万博1manbetxSupportVectors包含行数据的预测XMATLAB认为支持向量。万博1manbetx如果您指定“标准化”,真的当训练SVM分类器使用fitcsvm,然后万博1manbetxSupportVectors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,万博1manbetx万博1manbetxSupportVectors包含一个独特的支持向量。万博1manbetx

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包含索引值对应的列包含分类预测的预测数据。如果所有的预测都直言,那么这个属性是空的([])。

数据类型:单|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。

独特的类标签用于训练模型,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。

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,成本(i, j)是一个指向类分类的成本j如果它真正的类我。

在培训期间,软件更新的先验概率将描述的惩罚成本矩阵。

对两种学习,成本总是有这种形式:成本(i, j) = 1如果我~ = j,成本(i, j) = 0如果我=我。行对应于真实的类和列对应预测类。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。

更多细节,请参阅算法。

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:字符|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(见NumObservations)。

数据类型:单|双

`ModelParameters`- - - - - -参数用来训练模型
结构数组

这个属性是只读的。

参数用于训练ClassificationSVM模型,指定为一个结构数组。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。

访问的字段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。

数据类型:结构体

`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:单|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:字符|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。元素的顺序之前对应的元素Mdl.ClassNames。

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。

更多细节,请参阅算法。

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

`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”`	集的分数类最大的分数`1`,集所有其他类的分数`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”`	集的分数类最大的分数`1`,集所有其他类的分数`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;
```
函数应该接受一个矩阵(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
`的(n, 1)`(默认)|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。

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。设置这个公差,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万博1manbetxSupportVectors`:数值向量迭代表明支持向量的个数万博1manbetx `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
对象(默认)|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。

设置`优化器`场	价值
`“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)

数据类型:结构体|表

对象的功能

`紧凑的`	减少支持向量机(SVM)分类器万博1manbetx的大小
`compareHoldout`	比较两种分类模型使用新数据的精度
`crossval`	旨在支持向量机(SVM)分类器万博1manbetx
`discard万博1manbetxSupportVectors`	放弃支持向量线性万博1manbetx支持向量机(SVM)分类器
`边缘`	找到分类支持向量机(SVM)分类器的边缘万博1manbetx
`fitPosterior`	合适的后验概率支持向量机(SVM)分类器万博1manbetx
`损失`	找到分类错误的支持向量机(SVM)分类器万博1manbetx
`保证金`	找到分类利润支持向量机(SVM)分类器万博1manbetx
`预测`	预测标签使用支持向量机(SVM)分类器万博1manbetx
`resubEdge`	找到分类支持向量机(SVM)分类器的边缘resubstit万博1manbetxution
`resubLoss`	找到分类损失由resubstitution支持向量机(SV万博1manbetxM)分类器
`resubMargin`	寻找支持向量机(SVM)分类利润率由resubstitution万博1manbetx分类器
`resubPredict`	预测resubstitution反应对支持向量机(SVM)分类器万博1manbetx
`的简历`	恢复训练支持向量机(SVM)分类万博1manbetx器

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,方法万博1manbetx

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单元阵列{“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。万博1manbetx

sv = SVMModel.万博1manbetxSupportVectors;图gscatter (X (: 1), (:, 2), y)在情节(sv (: 1), sv (:, 2),“柯”,“MarkerSize”10)传说(“多色的”,“virginica”,“万博1manbetx支持向量”)举行从

支持向量万博1manbetx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万博1manbetx“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 = classreg.learning.partition。ClassificationPartitionedModelCrossValidatedModel: 'SVM' PredictorNames: {1x34 cell} ResponseName: 'Y' NumObservations: 351 KFold: 10 Partition: [1x1 cvpartition] ClassNames: {'b' 'g'} ScoreTransform: 'none' Properties, Methods

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 = classreg.learning.classif。CompactClassificationSVMResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' Alpha: [78x1 double] Bias: -0.2209 KernelParameters: [1x1 struct] Mu: [1x34 double] Sigma: [1x34 double] SupportVectors: [78x34 double] SupportVectorLabels: [78x1 double] Properties, Methods

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,明白了万博1manbetx支持向量机的二叉分类和了解支持向量机万博1manbetx。
南,<定义>,空字符向量(”)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。
fitcsvm删除零重量或先验概率的观察。
对于两种学习,如果你指定成本矩阵 $C$ (见成本),那么软件更新类的先验概率p(见之前)p_c通过合并中描述的处罚 $C$ 。
具体地说,fitcsvm完成这些步骤:
1. 计算 $p_{c}^{*} = p' C 。$
2. 正常化p_c^*所以更新的先验概率之和为1。
  
  $p_{c} = \frac{1}{\sum_{j = 1}^{K} p_{c, j}^{*}} p_{c}^{*} 。$
  
  K类的数量。
3. 重置成本矩阵默认
  
  $C = (\begin{matrix} 0 & 1 \\ 1 & 0 \end{matrix}] 。$
4. 从训练数据中删除观察对应类先验概率为零。
对两种学习,fitcsvm使所有的观察权重(见规范化权重)之和为1。函数然后renormalizes归一化权重的先验概率更新总结观察所属的类。也就是说,观测的总重量j在课堂上k是

$w_{j}^{*} = \frac{w_{j}}{\sum_{\forall j \in 类 k} w_{j}} p_{c, k} 。$

w_j观察规范化的重量吗j;p_c,k是类的先验概率更新吗k(见以前的子弹)。
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

$C_{j} = n C_{0} w_{j}^{*} 。$

n训练样本的大小,C₀是初始箱约束(见“BoxConstraint”名称-值对的观点), $w_{j}^{*}$ 观测的总重量吗j(见以前的子弹)。
如果你设置“标准化”,真的和“成本”,“之前”,或“重量”名称-值对的论点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

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

$μ_{j}^{*} = \frac{1}{\sum_{k} w_{k}^{*}} \sum_{k} w_{k}^{*} x_{j k} 。$
x_jk是观察k(行)的预测j(列)。
${(σ_{j}^{*})}^{2} = \frac{v_{1}}{v_{1}^{2} - v_{2}} \sum_{k} w_{k}^{*} {(x_{j k} - μ_{j}^{*})}^{2} 。$
$v_{1} = \sum_{j} w_{j}^{*} 。$
$v_{2} = \sum_{j} {(w_{j}^{*})}^{2} 。$
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。
- 的万博1manbetxSupportVectors属性存储支持向量的预测价值,包括虚拟变量。万博1manbetx例如,假设米万博1manbetx支持向量和三个因素,其中一个是和三个层次类别变量。然后万博1manbetxSupportVectors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. The Elements of Statistical Learning, Second Edition. NY: Springer, 2008.

[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.” Neural Comput., Vol. 13, Number 7, 2001, pp. 1443–1471.

[3]Christianini, N。,J. C. Shawe-Taylor. An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods. Cambridge, UK: Cambridge University Press, 2000.

[4]Scholkopf B。答:Smola。学习与内核:支持向量机,正则化优化,自适应计算万博1manbetx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:

的预测函数支持代码生成。万博1manbetx
当你训练一个通过使用支持向量机模型fitcsvm以下限制适用。
- 类标签输入参数值(Y不能分类数组)。
- 代码生成不支持分类预测。万博1manbetx你不能提供训练数据在一个表,其中包含至少一个分类预测,你不能使用“CategoricalPredictors”名称-值对的论点。dummy-code变量,视为直言,预处理使用的分类数据dummyvar在拟合模型。
- 的值“类名”名称-值对数组参数不能直言。
- 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。

代码生成的例子,请参阅代码生成预测工作流和为代码生成指定大小可变的参数。有关更多信息,请参见主题代码生成。

另请参阅

ClassificationPartitionedModel|CompactClassificationSVM|fitcsvm

主题

介绍了R2014a

这个主题有帮助吗?

文档

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万博1manbetxSupportVector- - - - - -万博1manbetx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

万博1manbetxSupportVectorLabels- - - - - -万博1manbetx支持向量类标签年代1数字矢量

万博1manbetxSupportVectors- - - - - -万博1manbetx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- - - - - -参数用来训练模型结构数组

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

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- - - - - -观察权重的(n, 1)(默认)|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的描述对象(默认)|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

万博1manbetx支持向量

万博1manbetx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™。

另请参阅

主题

介绍了R2014a

统计和机器学习工具箱文档

万博1manbetx

试着用MATLAB仿真软万博1manbetx件,和其他产品s manbetx 845

`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万博1manbetxSupportVector`- - - - - -万博1manbetx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`

`万博1manbetxSupportVectorLabels`- - - - - -万博1manbetx支持向量类标签
年代1数字矢量

`万博1manbetxSupportVectors`- - - - - -万博1manbetx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
结构数组

`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

`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
`的(n, 1)`(默认)|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
对象(默认)|表

C / c++代码生成
生成C和c++代码使用MATLAB®编码器™。