丢弃的支持向量的万博1manbetx线性支持向量机二进制学习者ECOC模型
返回一个训练有素的多级纠错输出编码(ECOC)模型(Mdl
= discard万博1manbetxSupportVectors (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
,万博1manbetxSupportVectors
,万博1manbetxSupportVectorLabels
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
。
默认情况下,为了提高效率,fitcecoc
清空了α
,万博1manbetxSupportVectorLabels
,万博1manbetxSupportVectors
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
,万博1manbetxSupportVectorLabels
,万博1manbetxSupportVectors
,通过一个线性支持向量机模板,指定存储支持向量万博1manbetxfitcecoc
。例如,输入:
t = templateSVM (“Save万博1manbetxSupportVectors”,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万博1manbetxClassificationECOC
模型discard万博1manbetxSupportVectors
。
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,看看万博1manbetx支持向量机的二叉分类。
ClassificationSVM
|fitcsvm
|fitcecoc
|ClassificationECOC
|CompactClassificationECOC
|discard万博1manbetxSupportVectors
|templateSVM