主要内容GydF4y2Ba

边缘GydF4y2Ba

多类纠错输出码(ECOC)模型的分类边缘GydF4y2Ba

全部折叠到页面中GydF4y2Ba

句法GydF4y2Ba

e =边缘（mdl，tbl，responsevarname）GydF4y2Ba
e =边缘(Mdl台,Y)GydF4y2Ba
e =边缘（MDL，x，y）GydF4y2Ba
e =边缘(GydF4y2Ba___GydF4y2Ba，名称，价值）GydF4y2Ba

描述GydF4y2Ba

E.GydF4y2Ba=边缘(GydF4y2BaMDL.GydF4y2Ba那GydF4y2BaTBL.GydF4y2Ba那GydF4y2BaResponseVarNameGydF4y2Ba）GydF4y2Ba返回GydF4y2Ba分类边缘GydF4y2Ba（GydF4y2BaE.GydF4y2Ba）对于训练有素的多批分错误校正输出代码（ECOC）分类器GydF4y2BaMDL.GydF4y2Ba使用表中的预测器数据GydF4y2BaTBL.GydF4y2Ba类标签GydF4y2Ba资源描述。ResponseVarNameGydF4y2Ba．GydF4y2Ba

E.GydF4y2Ba=边缘(GydF4y2BaMDL.GydF4y2Ba那GydF4y2BaTBL.GydF4y2Ba那GydF4y2BayGydF4y2Ba）GydF4y2Ba返回分类器的分类边沿GydF4y2BaMDL.GydF4y2Ba使用表中的预测器数据GydF4y2BaTBL.GydF4y2Ba和向量中的班级标签GydF4y2BayGydF4y2Ba．GydF4y2Ba

例子GydF4y2Ba

E.GydF4y2Ba=边缘(GydF4y2BaMDL.GydF4y2Ba那GydF4y2BaXGydF4y2Ba那GydF4y2BayGydF4y2Ba）GydF4y2Ba返回分类边缘（GydF4y2BaE.GydF4y2Ba）对于分类器GydF4y2BaMDL.GydF4y2Ba在矩阵中使用预测数据GydF4y2BaXGydF4y2Ba和向量中的班级标签GydF4y2BayGydF4y2Ba．GydF4y2Ba

例子GydF4y2Ba

E.GydF4y2Ba=边缘(GydF4y2Ba___GydF4y2Ba那GydF4y2Ba名称，价值GydF4y2Ba）GydF4y2Ba除了先前语法中的任何输入参数组合之外，还使用一个或多个名称值对参数指定选项。例如，您可以指定解码方案，二进制学习者丢失函数和详细级别。GydF4y2Ba

例子GydF4y2Ba

全部收缩GydF4y2Ba

打开直播脚本GydF4y2Ba

使用SVM二进制分类计算将ECOC模型的测试样本分类边缘计算。GydF4y2Ba

装载Fisher的Iris数据集。指定预测器数据GydF4y2BaXGydF4y2Ba，响应数据GydF4y2BayGydF4y2Ba，以及类的顺序GydF4y2BayGydF4y2Ba．GydF4y2Ba

加载GydF4y2Ba渔民GydF4y2Bax = meas;Y =分类（物种）;classOrder =唯一（y）;GydF4y2Ba％班级订单GydF4y2BaRNG（1）;GydF4y2Ba重复性的％GydF4y2Ba

使用SVM二进制分类器列车ecoc模型。指定用于测试的30％HoldOut样本，使用SVM模板标准化预测器，并指定类顺序。GydF4y2Ba

t = templateSVM (GydF4y2Ba'标准化'GydF4y2Ba，真的）;pmdl = fitcecoc（x，y，GydF4y2Ba“坚持”GydF4y2Ba，0.30，GydF4y2Ba'学习者'GydF4y2Ba，t，GydF4y2Ba'classnames'GydF4y2Ba, classOrder);Mdl = PMdl.Trained {1};GydF4y2Ba％提取培训，紧凑型分类器GydF4y2Ba

PMDL.GydF4y2Ba是一个GydF4y2BaClassificationedecoc.GydF4y2Ba模型。它有物业GydF4y2Ba训练有素的GydF4y2Ba，包含一个1×1个单元阵列GydF4y2BaCompactClassificeCoc.GydF4y2Ba使用培训数据训练的软件的模型。GydF4y2Ba

计算测试样本边缘。GydF4y2Ba

testinds = test（pmdl.partition）;GydF4y2Ba％提取测试索引GydF4y2BaXTest = X (testInds:);欧美= Y (testInds:);E = Edge（MDL，XTEST，YTEST）GydF4y2Ba
E = 0.4574.GydF4y2Ba

测试样品边距的平均值约为0.46。GydF4y2Ba

打开直播脚本GydF4y2Ba

计算Ecoc模型的测试样本加权边缘的平均值。GydF4y2Ba

假设依次测量数据集中的观察，并且由于技术升级，过去75个观察结果具有更好的质量。通过提供比其他观察更多的重量更高的质量观察来融入这种进步。GydF4y2Ba

装载Fisher的Iris数据集。指定预测器数据GydF4y2BaXGydF4y2Ba，响应数据GydF4y2BayGydF4y2Ba，以及类的顺序GydF4y2BayGydF4y2Ba．GydF4y2Ba

加载GydF4y2Ba渔民GydF4y2Bax = meas;Y =分类（物种）;classOrder =唯一（y）;GydF4y2Ba％班级订单GydF4y2BaRNG（1）;GydF4y2Ba重复性的％GydF4y2Ba

定义一个权重向量，为质量更好的观测值分配两倍的权重。GydF4y2Ba

n =尺寸（x，1）;权重= [α（n-75,1）; 2 * one（75,1）;GydF4y2Ba

使用SVM二进制分类器列车ecoc模型。指定30％HoldOut样本和加权方案。使用SVM模板标准化预测器，并指定类顺序。GydF4y2Ba

t = templateSVM (GydF4y2Ba'标准化'GydF4y2Ba，真的）;pmdl = fitcecoc（x，y，GydF4y2Ba“坚持”GydF4y2Ba，0.30，GydF4y2Ba'重量'GydF4y2Ba，重量，GydF4y2Ba．..GydF4y2Ba'学习者'GydF4y2Ba，t，GydF4y2Ba'classnames'GydF4y2Ba, classOrder);Mdl = PMdl.Trained {1};GydF4y2Ba％提取培训，紧凑型分类器GydF4y2Ba

PMDL.GydF4y2Ba是一个培训GydF4y2BaClassificationedecoc.GydF4y2Ba模型。它有物业GydF4y2Ba训练有素的GydF4y2Ba，包含一个1×1个单元阵列GydF4y2BaCompactClassificeCoc.GydF4y2Ba使用培训数据训练的软件的分类器。GydF4y2Ba

使用加权方案计算测试样本加权边缘。GydF4y2Ba

testinds = test（pmdl.partition）;GydF4y2Ba％提取测试索引GydF4y2BaXTest = X (testInds:);欧美= Y (testInds:);wte =重量(testInds:);e =边缘(Mdl XTest,欧美,GydF4y2Ba'重量'GydF4y2Ba，wtest）GydF4y2Ba
E = 0.4798.GydF4y2Ba

测试样品的平均加权裕度约为0.48。GydF4y2Ba

打开直播脚本GydF4y2Ba

通过比较来自多个模型的测试样本边缘来进行特征选择。仅基于这种比较，边缘最大的分类器就是最好的分类器。GydF4y2Ba

装载Fisher的Iris数据集。指定预测器数据GydF4y2BaXGydF4y2Ba，响应数据GydF4y2BayGydF4y2Ba，以及类的顺序GydF4y2BayGydF4y2Ba．GydF4y2Ba

加载GydF4y2Ba渔民GydF4y2Bax = meas;Y =分类（物种）;classOrder =唯一（y）;GydF4y2Ba％班级订单GydF4y2BaRNG（1）;GydF4y2Ba重复性的％GydF4y2Ba

将数据分区设置为培训和测试集。指定30％HoldOut样本进行测试。GydF4y2Ba

分区= cvpartition（y，GydF4y2Ba“坚持”GydF4y2Ba，0.30）;testinds =测试（分区）;GydF4y2Ba测试集的％索引GydF4y2BaXTest = X (testInds:);欧美= Y (testInds:);GydF4y2Ba

分区GydF4y2Ba定义数据集分区。GydF4y2Ba

定义这两个数据集：GydF4y2Ba

  • fullXGydF4y2Ba包含所有预测器。GydF4y2Ba

  • partx.GydF4y2Ba仅包含花瓣尺寸。GydF4y2Ba

fullX = X;partX = X (:, 3:4);GydF4y2Ba

使用SVM二进制分类器培训ECOC模型，每个预测器集。指定分区定义，使用SVM模板标准化预测器，并指定类顺序。GydF4y2Ba

t = templateSVM (GydF4y2Ba'标准化'GydF4y2Ba，真的）;fullpmdl = fitcecoc（fullx，y，GydF4y2Ba'cvpartition'GydF4y2Ba分区,GydF4y2Ba'学习者'GydF4y2Ba，t，GydF4y2Ba．..GydF4y2Ba'classnames'GydF4y2Ba, classOrder);partpmdl = fitcecoc（partx，y，GydF4y2Ba'cvpartition'GydF4y2Ba分区,GydF4y2Ba'学习者'GydF4y2Ba，t，GydF4y2Ba．..GydF4y2Ba'classnames'GydF4y2Ba, classOrder);fullmdl = fullpmdl.trained {1};partmdl = partpmdl.tromed {1};GydF4y2Ba

fullpmdl.GydF4y2Ba和GydF4y2Bapartpmdl.GydF4y2Ba是GydF4y2BaClassificationedecoc.GydF4y2Ba模型。每个型号都有属性GydF4y2Ba训练有素的GydF4y2Ba，包含一个1×1个单元阵列GydF4y2BaCompactClassificeCoc.GydF4y2Ba使用相应的训练集训练的软件的模型。GydF4y2Ba

计算每个分类器的测试样本边缘。GydF4y2Ba

FultEdge = Edge（fullmdl，xtest，ytest）GydF4y2Ba
FultEdge = 0.4574.GydF4y2Ba
FAREDAGE = EDGE（partmdl，xtest（:,3：4），ytest）GydF4y2Ba
伙计德= 0.4839.GydF4y2Ba

partmdl.GydF4y2Ba产生与更复杂模型的值相当的边缘值GydF4y2Baullmdl.GydF4y2Ba．GydF4y2Ba

输入参数GydF4y2Ba

全部收缩GydF4y2Ba

完整或紧凑的多种多组ECOC模型，指定为aGydF4y2BaClassifiedecoc.GydF4y2Ba或者GydF4y2BaCompactClassificeCoc.GydF4y2Ba模型对象。GydF4y2Ba

要创建完整或紧凑的ECOC模型，请参见GydF4y2BaClassifiedecoc.GydF4y2Ba或者GydF4y2BaCompactClassificeCoc.GydF4y2Ba．GydF4y2Ba

示例数据，指定为一个表。每一排GydF4y2BaTBL.GydF4y2Ba对应于一个观察，并且每列对应于一个预测变量。可选地，GydF4y2BaTBL.GydF4y2Ba可以包含响应变量和观察权重的附加列。GydF4y2BaTBL.GydF4y2Ba必须包含用于训练的所有预测因子GydF4y2BaMDL.GydF4y2Ba．不允许使用除了字符向量的单元格阵列之外的多色变量和单元阵列。GydF4y2Ba

如果你训练GydF4y2BaMDL.GydF4y2Ba使用包含的示例数据GydF4y2Ba桌子GydF4y2Ba的输入数据GydF4y2Ba边缘GydF4y2Ba也必须在桌子里。GydF4y2Ba

训练时GydF4y2BaMDL.GydF4y2Ba，假设你设置了GydF4y2Ba'标准化'，真实GydF4y2Ba对于指定的模板对象GydF4y2Ba'学习者'GydF4y2Ba名称 - 值对参数GydF4y2Bafitcecoc.GydF4y2Ba．在本例中，为对应的二元学习者GydF4y2BajGydF4y2Ba，该软件利用中相应的方法对新预测数据的列进行标准化GydF4y2Bamdl.binarylearner {j} .muGydF4y2Ba和标准偏差GydF4y2BaMdl.BinaryLearner {j} .SigmaGydF4y2Ba．GydF4y2Ba

数据类型:GydF4y2Ba桌子GydF4y2Ba

响应变量名称，指定为变量的名称GydF4y2BaTBL.GydF4y2Ba．如果GydF4y2BaTBL.GydF4y2Ba包含用于培训的响应变量GydF4y2BaMDL.GydF4y2Ba，则不需要指定GydF4y2BaResponseVarNameGydF4y2Ba．GydF4y2Ba

如果您指定GydF4y2BaResponseVarNameGydF4y2Ba，则必须以字符向量或字符串标量的形式进行。例如，如果响应变量存储为GydF4y2Batbl.y.GydF4y2Ba然后指定GydF4y2BaResponseVarNameGydF4y2Ba作为GydF4y2Ba'是'GydF4y2Ba．否则，软件处理的所有列GydF4y2BaTBL.GydF4y2Ba,包括GydF4y2Batbl.y.GydF4y2Ba作为预测因素。GydF4y2Ba

响应变量必须是分类，字符或字符串阵列，逻辑或数字矢量，或字符向量的小区数组。如果响应变量是字符数组，则每个元素必须对应于数组的一行。GydF4y2Ba

数据类型:GydF4y2BacharGydF4y2Ba|GydF4y2Ba字符串GydF4y2Ba

预测数据，指定为数字矩阵。GydF4y2Ba

每一排GydF4y2BaXGydF4y2Ba对应于一个观察，并且每列对应于一个变量。列中的变量GydF4y2BaXGydF4y2Ba必须与培训分类器的变量相同GydF4y2BaMDL.GydF4y2Ba．GydF4y2Ba

输入的行数GydF4y2BaXGydF4y2Ba必须等于行的数量GydF4y2BayGydF4y2Ba．GydF4y2Ba

训练时GydF4y2BaMDL.GydF4y2Ba，假设你设置了GydF4y2Ba'标准化'，真实GydF4y2Ba对于指定的模板对象GydF4y2Ba'学习者'GydF4y2Ba名称 - 值对参数GydF4y2Bafitcecoc.GydF4y2Ba．在本例中，为对应的二元学习者GydF4y2BajGydF4y2Ba，该软件利用中相应的方法对新预测数据的列进行标准化GydF4y2Bamdl.binarylearner {j} .muGydF4y2Ba和标准偏差GydF4y2BaMdl.BinaryLearner {j} .SigmaGydF4y2Ba．GydF4y2Ba

数据类型:GydF4y2Ba双GydF4y2Ba|GydF4y2Ba单GydF4y2Ba

类标签，指定为分类，字符或字符串阵列，逻辑或数字矢量或字符向量的单元格数组。GydF4y2BayGydF4y2Ba必须具有与?相同的数据类型GydF4y2Bamdl.classnames.GydF4y2Ba．GydF4y2Ba（该软件将字符串数组视为字符向量的单元格阵列。）GydF4y2Ba

输入的行数GydF4y2BayGydF4y2Ba必须等于行的数量GydF4y2BaTBL.GydF4y2Ba或者GydF4y2BaXGydF4y2Ba．GydF4y2Ba

数据类型:GydF4y2Ba分类GydF4y2Ba|GydF4y2BacharGydF4y2Ba|GydF4y2Ba字符串GydF4y2Ba|GydF4y2Ba逻辑GydF4y2Ba|GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双GydF4y2Ba|GydF4y2Ba细胞GydF4y2Ba

名称值对参数GydF4y2Ba

指定可选的逗号分离对GydF4y2Ba名称，价值GydF4y2Ba论点。GydF4y2Ba的名字GydF4y2Ba是参数名称和GydF4y2Ba价值GydF4y2Ba是相应的价值。GydF4y2Ba的名字GydF4y2Ba必须出现在引号内。您可以以任何顺序指定多个名称和值对参数GydF4y2Baname1，value1，...，namen，valuenGydF4y2Ba．GydF4y2Ba

例子：GydF4y2Ba边缘(Mdl, X, Y,“BinaryLoss”、“指数”,“解码”,“lossbased”)GydF4y2Ba指定指数二进制学习者丢失功能和基于丢失的解码方案，用于聚合二进制损耗。GydF4y2Ba

二元学习损失函数，由逗号分隔的对组成GydF4y2Ba'二元乐'GydF4y2Ba以及一个内置的丢失函数名或函数句柄。GydF4y2Ba

  • 此表介绍了内置函数，其中GydF4y2BayGydF4y2BajGydF4y2Ba是特定二进制学习者的类标签（集合{-1,1,0}），GydF4y2BaS.GydF4y2BajGydF4y2Ba这是观察的分数吗GydF4y2BajGydF4y2Ba， 和GydF4y2BaGGydF4y2Ba（GydF4y2BayGydF4y2BajGydF4y2Ba那GydF4y2BaS.GydF4y2BajGydF4y2Ba）是二进制损失公式。GydF4y2Ba

    价值GydF4y2Ba 描述GydF4y2Ba 分数域GydF4y2Ba GGydF4y2Ba（GydF4y2BayGydF4y2BajGydF4y2Ba那GydF4y2BaS.GydF4y2BajGydF4y2Ba）GydF4y2Ba
    'binodeviance'GydF4y2Ba 二项异常GydF4y2Ba （ - ∞，∞）GydF4y2Ba 日志[1 + exp（-2GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba）] / [2log（2）]GydF4y2Ba
    “指数”GydF4y2Ba 指数GydF4y2Ba （ - ∞，∞）GydF4y2Ba exp (-GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba）/ 2GydF4y2Ba
    '汉明'GydF4y2Ba 汉字GydF4y2Ba [0, 1]或(-∞,∞)GydF4y2Ba [1 - 符号（GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba) / 2GydF4y2Ba
    '合页'GydF4y2Ba 合页GydF4y2Ba （ - ∞，∞）GydF4y2Ba max（0,1 -GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba）/ 2GydF4y2Ba
    “线性”GydF4y2Ba 线性GydF4y2Ba （ - ∞，∞）GydF4y2Ba (1 -GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba）/ 2GydF4y2Ba
    'logit'GydF4y2Ba 物流GydF4y2Ba （ - ∞，∞）GydF4y2Ba 日志[1 + exp（ -GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba）] / [2log（2）]GydF4y2Ba
    '二次'GydF4y2Ba 二次GydF4y2Ba [0,1]GydF4y2Ba [1 -GydF4y2BayGydF4y2BajGydF4y2Ba（2GydF4y2BaS.GydF4y2BajGydF4y2Ba- 1）]GydF4y2Ba2GydF4y2Ba/ 2.GydF4y2Ba

    该软件规范二进制损耗，以便损失为0.5何时GydF4y2BayGydF4y2BajGydF4y2Ba= 0。此外，该软件计算每个类的平均二进制损失。GydF4y2Ba

  • 例如，对于自定义二进制丢失函数GydF4y2BaCustomFunction.GydF4y2Ba，指定其功能句柄GydF4y2BaBinaryLoss, @customFunctionGydF4y2Ba．GydF4y2Ba

    CustomFunction.GydF4y2Ba这种形式:GydF4y2Ba

    bloss = customfunction（m，s）GydF4y2Ba
    在哪里：GydF4y2Ba

    • mGydF4y2Ba是个GydF4y2BaK.GydF4y2Ba-经过-GydF4y2BaL.GydF4y2Ba编码矩阵存储在GydF4y2Bamdl.codingmatrix.GydF4y2Ba．GydF4y2Ba

    • S.GydF4y2Ba是1-by-GydF4y2BaL.GydF4y2Ba分类得分的行矢量。GydF4y2Ba

    • 布劳斯GydF4y2Ba是分类损失。此标量将每个学习者的二进制损耗聚集在特定类中的每个学习者。例如，您可以使用平均二进制丢失来聚合每个类的学习者丢失。GydF4y2Ba

    • K.GydF4y2Ba是课程的数量。GydF4y2Ba

    • L.GydF4y2Ba是二元学习者的数量。GydF4y2Ba

    有关传递自定义二进制丢失函数的示例，请参见GydF4y2Ba使用自定义二进制损耗函数预测Ecoc模型的测试样本标签GydF4y2Ba．GydF4y2Ba

默认值GydF4y2Ba二进制数GydF4y2Ba值取决于二进制学习者返回的分数范围。此表介绍了一些默认值GydF4y2Ba二进制数GydF4y2Ba基于给定假设的值。GydF4y2Ba

假设GydF4y2Ba 默认值GydF4y2Ba
所有二元学习者都是支持向量机或线性或核分类模型的支持向量机学习者。GydF4y2Ba '合页'GydF4y2Ba
所有二进制学习者都是培训的乐队GydF4y2Baadaboostm1.GydF4y2Ba或者GydF4y2Ba温博GydF4y2Ba．GydF4y2Ba “指数”GydF4y2Ba
所有二进制学习者都是培训的乐队GydF4y2BaLogitBoostGydF4y2Ba．GydF4y2Ba 'binodeviance'GydF4y2Ba
所有二进制学习者都是Logistic回归学习者的线性或内核分类模型。或者，您指定通过设置来预测类后验概率GydF4y2Ba'fitposterior'，真实GydF4y2Ba在GydF4y2Bafitcecoc.GydF4y2Ba．GydF4y2Ba '二次'GydF4y2Ba

要检查默认值，请使用点表示法显示GydF4y2Ba二进制数GydF4y2Ba在命令行的训练模型的属性。GydF4y2Ba

例子：GydF4y2Ba'binaryloss'，'binodeviance'GydF4y2Ba

数据类型:GydF4y2BacharGydF4y2Ba|GydF4y2Ba字符串GydF4y2Ba|GydF4y2Bafunction_handle.GydF4y2Ba

汇总二进制损耗的解码方案，指定为逗号分隔的对组成GydF4y2Ba'解码'GydF4y2Ba和GydF4y2Ba“失去重量”GydF4y2Ba或者GydF4y2Ba“lossbased”GydF4y2Ba．有关更多信息，请参见GydF4y2Ba二元损失GydF4y2Ba．GydF4y2Ba

例子：GydF4y2Ba'解码'，'丢失'GydF4y2Ba

预测数据观察维度，指定为逗号分隔的对GydF4y2Ba'观察'GydF4y2Ba和GydF4y2Ba'列'GydF4y2Ba或者GydF4y2Ba'行'GydF4y2Ba．GydF4y2BaMdl。BinaryLearnersGydF4y2Ba必须包含GydF4y2Ba分类线性GydF4y2Ba模型。GydF4y2Ba

笔记GydF4y2Ba

如果您定位预测矩阵，以便观察对应于列并指定GydF4y2Ba“ObservationsIn”、“列”GydF4y2Ba，您可以体验到执行时间的显著减少。你不能指定GydF4y2Ba“ObservationsIn”、“列”GydF4y2Ba对于表中的预测数据。GydF4y2Ba

评估选项，指定为逗号分隔的对，由GydF4y2Ba“选项”GydF4y2Ba和返回的结构阵列GydF4y2Ba实例化GydF4y2Ba．GydF4y2Ba

要调用并行计算：GydF4y2Ba

  • 您需要一个并行计算工具箱™许可证。GydF4y2Ba

  • 指定GydF4y2Ba'选项'，statset（'deverypallellel'，true）GydF4y2Ba．GydF4y2Ba

长度级别，指定为逗号分隔的对，由GydF4y2Ba“详细”GydF4y2Ba和GydF4y2Ba0.GydF4y2Ba或者GydF4y2Ba1GydF4y2Ba．GydF4y2BaverbGydF4y2Ba控制软件在命令窗口中显示的诊断消息的数量。GydF4y2Ba

如果GydF4y2BaverbGydF4y2Ba是GydF4y2Ba0.GydF4y2Ba，则该软件不会显示诊断消息。否则，软件显示诊断信息。GydF4y2Ba

例子：GydF4y2Ba“详细”,1GydF4y2Ba

数据类型:GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双GydF4y2Ba

观察权重，指定为逗号分隔的配对组成GydF4y2Ba'重量'GydF4y2Ba和数字矢量或变量的名称GydF4y2BaTBL.GydF4y2Ba．如果你提供权重，GydF4y2Ba边缘GydF4y2Ba计算加权GydF4y2Ba分类边缘GydF4y2Ba．GydF4y2Ba

如果您指定GydF4y2Ba重量GydF4y2Ba作为数字矢量，那么大小GydF4y2Ba重量GydF4y2Ba必须等于观察的数量GydF4y2BaXGydF4y2Ba或者GydF4y2BaTBL.GydF4y2Ba．软件规范化GydF4y2Ba重量GydF4y2Ba总结相应类中的现有概率的值。GydF4y2Ba

如果您指定GydF4y2Ba重量GydF4y2Ba作为变量的名称GydF4y2BaTBL.GydF4y2Ba，则必须以字符向量或字符串标量的形式进行。例如，如果权重存储为GydF4y2BaTBL.W.GydF4y2Ba然后指定GydF4y2Ba重量GydF4y2Ba作为GydF4y2Ba'W'GydF4y2Ba．否则，软件处理的所有列GydF4y2BaTBL.GydF4y2Ba,包括GydF4y2BaTBL.W.GydF4y2Ba作为预测因素。GydF4y2Ba

数据类型:GydF4y2Ba单GydF4y2Ba|GydF4y2Ba双GydF4y2Ba|GydF4y2BacharGydF4y2Ba|GydF4y2Ba字符串GydF4y2Ba

输出参数GydF4y2Ba

全部收缩GydF4y2Ba

分类的优势GydF4y2Ba，作为数字标量或向量返回。GydF4y2BaE.GydF4y2Ba代表加权依条GydF4y2Ba分类边距GydF4y2Ba．GydF4y2Ba

如果GydF4y2BaMdl。BinaryLearnersGydF4y2Ba包含GydF4y2Ba分类线性GydF4y2Ba那么GydF4y2BaE.GydF4y2Ba是一个1-by-GydF4y2BaL.GydF4y2Ba矢量，在那里GydF4y2BaL.GydF4y2Ba为线性分类模型中正则化强度的个数(GydF4y2Banumel（mdl.binarylearners {1} .Lambda）GydF4y2Ba）。价值GydF4y2Bae（j）GydF4y2Ba是模型使用正则化强度培训的边缘GydF4y2Bamdl.binarylearners {1} .lambda（j）GydF4y2Ba．GydF4y2Ba

否则,GydF4y2BaE.GydF4y2Ba是标量值。GydF4y2Ba

更多关于GydF4y2Ba

全部收缩GydF4y2Ba

分类的优势GydF4y2Ba

这GydF4y2Ba分类边缘GydF4y2Ba是分类边缘的加权平均值。GydF4y2Ba

多个分类器中选择一种方法，例如要执行特征选择，是选择产生最大边缘的分类器。GydF4y2Ba

分类保证金GydF4y2Ba

这GydF4y2Ba分类保证金GydF4y2Ba对于每个观察，对于真正类别的负损失和虚假类之间的最大负损失之间的差异。如果利润率在相同的范围内，则它们作为分类信心措施。在多个分类器中，产生更大的边缘的分类器更好。GydF4y2Ba

二元损失GydF4y2Ba

一种GydF4y2Ba二进制损失GydF4y2Ba是类和分类分数的函数，它决定了二进制学习者将观察分类到类中的程度。GydF4y2Ba

假设以下内容：GydF4y2Ba

  • mGydF4y2BaKJ.GydF4y2Ba是元素（GydF4y2BaK.GydF4y2Ba那GydF4y2BajGydF4y2Ba）编码设计矩阵GydF4y2BamGydF4y2Ba(即对应于类的代码GydF4y2BaK.GydF4y2Ba二进制的学习者GydF4y2BajGydF4y2Ba）。GydF4y2Ba

  • S.GydF4y2BajGydF4y2Ba是二进制学习者的分数GydF4y2BajGydF4y2Ba为了观察。GydF4y2Ba

  • GGydF4y2Ba是二进制损失功能。GydF4y2Ba

  • K.GydF4y2Ba ^GydF4y2Ba 是预测的观察类。GydF4y2Ba

在GydF4y2Ba基于损失的解码GydF4y2Ba(Escalera等。)GydF4y2Ba，制作二进制学习者的二进制损失的最小总和的类决定了观察的预测类，即GydF4y2Ba

K.GydF4y2Ba ^GydF4y2Ba =GydF4y2Ba argmin.GydF4y2Ba K.GydF4y2Ba ∑GydF4y2Ba jGydF4y2Ba =GydF4y2Ba 1GydF4y2Ba L.GydF4y2Ba |GydF4y2Ba mGydF4y2Ba K.GydF4y2Ba jGydF4y2Ba |GydF4y2Ba GGydF4y2Ba （GydF4y2Ba mGydF4y2Ba K.GydF4y2Ba jGydF4y2Ba 那GydF4y2Ba S.GydF4y2Ba jGydF4y2Ba ）GydF4y2Ba ．GydF4y2Ba

在GydF4y2Baloss-weighted解码GydF4y2Ba(Escalera等。)GydF4y2Ba，制作二进制学习者二进制损失的最小平均值的阶级决定了预测的观察类，即GydF4y2Ba

K.GydF4y2Ba ^GydF4y2Ba =GydF4y2Ba argmin.GydF4y2Ba K.GydF4y2Ba ∑GydF4y2Ba jGydF4y2Ba =GydF4y2Ba 1GydF4y2Ba L.GydF4y2Ba |GydF4y2Ba mGydF4y2Ba K.GydF4y2Ba jGydF4y2Ba |GydF4y2Ba GGydF4y2Ba （GydF4y2Ba mGydF4y2Ba K.GydF4y2Ba jGydF4y2Ba 那GydF4y2Ba S.GydF4y2Ba jGydF4y2Ba ）GydF4y2Ba ∑GydF4y2Ba jGydF4y2Ba =GydF4y2Ba 1GydF4y2Ba L.GydF4y2Ba |GydF4y2Ba mGydF4y2Ba K.GydF4y2Ba jGydF4y2Ba |GydF4y2Ba ．GydF4y2Ba

allwein等。GydF4y2Ba建议丢失加权译码通过保持所有类的丢失值在相同的动态范围内提高分类精度。GydF4y2Ba

此表总结了支持的损耗功能，其中万博1manbetxGydF4y2BayGydF4y2BajGydF4y2Ba是特定二进制学习者的类标签（集合{-1,1,0}），GydF4y2BaS.GydF4y2BajGydF4y2Ba这是观察的分数吗GydF4y2BajGydF4y2Ba， 和GydF4y2BaGGydF4y2Ba（GydF4y2BayGydF4y2BajGydF4y2Ba那GydF4y2BaS.GydF4y2BajGydF4y2Ba）。GydF4y2Ba

价值GydF4y2Ba 描述GydF4y2Ba 分数域GydF4y2Ba GGydF4y2Ba（GydF4y2BayGydF4y2BajGydF4y2Ba那GydF4y2BaS.GydF4y2BajGydF4y2Ba）GydF4y2Ba
'binodeviance'GydF4y2Ba 二项异常GydF4y2Ba （ - ∞，∞）GydF4y2Ba 日志[1 + exp（-2GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba）] / [2log（2）]GydF4y2Ba
“指数”GydF4y2Ba 指数GydF4y2Ba （ - ∞，∞）GydF4y2Ba exp (-GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba）/ 2GydF4y2Ba
'汉明'GydF4y2Ba 汉字GydF4y2Ba [0, 1]或(-∞,∞)GydF4y2Ba [1 - 符号（GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba) / 2GydF4y2Ba
'合页'GydF4y2Ba 合页GydF4y2Ba （ - ∞，∞）GydF4y2Ba max（0,1 -GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba）/ 2GydF4y2Ba
“线性”GydF4y2Ba 线性GydF4y2Ba （ - ∞，∞）GydF4y2Ba (1 -GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba）/ 2GydF4y2Ba
'logit'GydF4y2Ba 物流GydF4y2Ba （ - ∞，∞）GydF4y2Ba 日志[1 + exp（ -GydF4y2BayGydF4y2BajGydF4y2BaS.GydF4y2BajGydF4y2Ba）] / [2log（2）]GydF4y2Ba
'二次'GydF4y2Ba 二次GydF4y2Ba [0,1]GydF4y2Ba [1 -GydF4y2BayGydF4y2BajGydF4y2Ba（2GydF4y2BaS.GydF4y2BajGydF4y2Ba- 1）]GydF4y2Ba2GydF4y2Ba/ 2.GydF4y2Ba

该软件规范化二进制损耗，使得损失为0.5GydF4y2BayGydF4y2BajGydF4y2Ba= 0，并使用二进制学习者的平均值聚合GydF4y2Ba[Allwein等]GydF4y2Ba．GydF4y2Ba

不要将二进制丢失与整体分类损失混淆（由此指定）GydF4y2Ba“LossFun”GydF4y2Ba的名称-值对参数GydF4y2Ba损失GydF4y2Ba和GydF4y2Ba预测GydF4y2Ba对象函数)，它衡量ECOC分类器作为一个整体的表现如何。GydF4y2Ba

尖端GydF4y2Ba

  • 要比较几个ECOC分类器的边缘或边缘，请使用模板对象在培训期间指定分类器中的共同变换功能。GydF4y2Ba

参考GydF4y2Ba

[1] Allwein，E.，R. Schapire和Y.歌手。“减少二进制文件的多牌：保证金分类的统一方法。”GydF4y2Ba机床学习研究GydF4y2Ba．Vol. 1, 2000，第113-141页。GydF4y2Ba

[2] Escalera，S.，O. pujol和P. Radeva。“在三元纠错输出代码中解码过程。”GydF4y2Ba图案分析和机器智能的IEEE交易GydF4y2Ba．第32卷，2010年第7期，第120-134页。GydF4y2Ba

[3] Escalera，S.，O. Pujol和P. Radeva。“用于纠错输出代码稀疏设计的三元代码的可分离。”GydF4y2Ba模式识别GydF4y2Ba．卷。30，第3,2009号，第285-297页。GydF4y2Ba

扩展功能GydF4y2Ba

也可以看看GydF4y2Ba

|GydF4y2Ba|GydF4y2Ba|GydF4y2Ba|GydF4y2Ba|GydF4y2Ba|GydF4y2Ba

话题GydF4y2Ba

在R2014B中介绍GydF4y2Ba

统计和机器学习工具箱文档GydF4y2Ba

万博1manbetx

掌握机器学习：使用MATLAB逐步指南GydF4y2Ba

掌握机器学习：使用MATLAB逐步指南GydF4y2Ba

下载电子书GydF4y2Ba