使用随机功能扩展高斯核分类模型
ClassificationKernel
是用于使用随机功能扩展二元高斯核分类模型训练模型对象。ClassificationKernel
对于具有大的训练集,但也可以应用于装入内存较小的数据集大数据的应用程序更加实用。
不像其他的分类模型,并为经济的内存使用情况,ClassificationKernel
模型对象不存储训练数据。然而,它们存储信息,如扩展空间的维数,内核尺度参数,前级的概率,和正规化强度。
您可以使用受训ClassificationKernel
车型继续训练使用的训练数据和预测的标签或分类的得分新数据。有关详细信息,请参阅恢复
和预测
。
创建一个ClassificationKernel
对象使用fitckernel
功能。该功能在低维空间成高维空间映射数据,则通过最小化正则化目标函数配合在高维空间中的线性模型。在高维空间中的线性模型相当于用高斯内核在低维空间中的模型。可用的线性分类模型包括正则化的支持向量机(SVM)和对数回归模型。万博1manbetx
学习者
-线性分类模型类型“物流”
|'SVM'
线性分类模型类型,指定为“物流”
要么'SVM'
。
在下表中,
X是从观察(行矢量)p预测变量。
是一个观测(行矢量)的用于特征扩展的变换。Ť(X)地图X在 到一个高维空间( )。
β是的向量米系数。
b是标量偏差。
值 | 算法 | 损失函数 | FittedLoss 值 |
---|---|---|---|
“物流” |
Logistic回归 | 越轨(物流): | 'Logit模型' |
'SVM' |
万博1manbetx支持向量机 | 合页: | '合页' |
NumExpansionDimensions
-扩大空间的维数膨胀空间,指定为正整数的维数。
数据类型:单
|双
KernelScale
-核心尺度参数核心尺度参数,指定为正标量。
数据类型:烧焦
|单
|双
BoxConstraint
-箱约束框约束,指定为正标量。
数据类型:双
|单
LAMBDA
-正则长期强度正则长期强度,指定为非标。
数据类型:单
|双
FittedLoss
-损失函数用来拟合线性模型'合页'
|'Logit模型'
损失函数用于拟合线性模型,指定为'合页'
要么'Logit模型'
。
值 | 算法 | 损失函数 | 学习者 值 |
---|---|---|---|
'合页' |
万博1manbetx支持向量机 | 合页: | 'SVM' |
'Logit模型' |
Logistic回归 | 越轨(物流): | “物流” |
正则
-复杂性惩罚型'脊(L2)'
复杂处罚类型,它始终是'脊(L2)'
。
该软件组成从平均损失函数的和最小化的目标函数(见FittedLoss
)和正则化项,脊部(大号2)罚款。
脊(大号2)罚
哪里λ指定正则长期强度(见LAMBDA
)。该软件不包括偏项(β0)从正规化处罚。
CategoricalPredictors
-分类预测的指标[]
分类预测的指标,其值始终为空([]
),因为ClassificationKernel
模型不支持分类预测。万博1manbetx
类名
-独特的类标签在训练中使用唯一的类标记,指定为绝对或字符阵列,逻辑或数字载体,或字符向量的单元阵列。类名
具有相同的数据类型作为类别标签ÿ
。(该软件把字符串数组作为字符向量的单元阵列。)类名
也决定了类的顺序。
数据类型:明确的
|烧焦
|合乎逻辑
|单
|双
|细胞
成本
-误分类成本此属性是只读的。
误分类成本,指定为正方形数字矩阵。成本
有ķ行和列,其中ķ是的类的数量。
成本(
是分类的点到类的费用一世
,Ĵ
)Ĵ
如果它的真实类一世
。行和列的顺序成本
对应于类的顺序类名
。
数据类型:双
ModelParameters
-用于训练模型参数用于训练参数ClassificationKernel
建模,指定为结构。
接入领域ModelParameters
使用点符号。例如,访问线性系数的相对公差,并通过使用偏差项Mdl.ModelParameters.BetaTolerance
。
数据类型:结构
PredictorNames
-预测名在他们出现的顺序预测名称的预测数据X
,指定为字符向量的单元阵列。长度PredictorNames
等于列的数量X
。
数据类型:细胞
ExpandedPredictorNames
-扩展预测名称扩展预测器名,指定为字符向量的单元阵列。
由于ClassificationKernel
模型不支持分类预测,万博1manbetxExpandedPredictorNames
和PredictorNames
是相等的。
数据类型:细胞
先
-在此之前类概率此属性是只读的。
现有类概率,指定为数值向量。先
具有一样多的元素中的类类名
和元素的顺序对应于所述元件类名
。
数据类型:双
ScoreTransform
-分数转换功能应用到预测分数'doublelogit'
|'invlogit'
|'ismax'
|'Logit模型'
|'没有'
|功能手柄|...分数转换功能应用到预测的分数,指定为函数的名称或函数句柄。
对于内核分类模型和得分变换之前,预测分类比分为观察X(行矢量)是
是对功能扩展的观察的变换。
β是系数的估计的列向量。
b是估计标量偏差。
要更改分数转换功能功能
,例如,使用点符号。
对于一个内置的功能,输入验证码,更换功能
从表中的值。
Mdl.ScoreTransform ='功能“;
值 | 描述 |
---|---|
'doublelogit' |
1 /(1 +Ë-2X) |
'invlogit' |
日志(X/(1 -X)) |
'ismax' |
设置得分与得分最高的类1,并设置分数为所有其他类0 |
'Logit模型' |
1 /(1 +Ë-X) |
'没有' 要么“身份” |
X(无转换) |
'标志' |
-1X<0 0X= 0 1X> 0 |
“对称” |
2X- 1 |
'symmetricismax' |
设置得分与得分最高的类1,并设置分数为所有其他类-1 |
'symmetriclogit' |
2 /(1 +Ë-X) - 1 |
对于MATLAB®功能,或者您定义的功能,进入它的功能句柄。
Mdl.ScoreTransform = @功能;
功能
必须接受原始分数为每个类的一个矩阵,然后返回相同大小的表示经变换的分数为每个类的矩阵。
数据类型:烧焦
|function_handle
ResponseName
-响应变量名响应变量名,指定为字符向量。
数据类型:烧焦
培养使用SVM一个二进制内核分类模型。
加载电离层
数据集。该数据集具有34个预测和雷达回波351个二进制应答,要么坏('B'
)或良好('G'
)。
加载电离层[N,P] =尺寸(X)
N = 351
P = 34
RESP =唯一的(Y)
RESP =2×1单元{ 'B'} { 'G'}
培养一个二进制内核分类模型,识别是否该雷达回波是坏的('B'
)或良好('G'
)。提取一个合适的汇总,确定优化算法如何适合的模型与数据。
RNG('默认')%用于重现[铜牌,FitInfo] = fitckernel(X,Y)
MDL = ClassificationKernel ResponseName: 'Y' 的类名:{ 'B' 的 'g'}学习者: 'SVM' NumExpansionDimensions:2048 KernelScale:1 LAMBDA:0.0028 BoxConstraint:1的属性,方法
FitInfo =同场的结构:求解: 'LBFGS快' LossFunction: '铰链' 拉姆达:0.0028 BetaTolerance:1.0000e-04 GradientTolerance:1.0000e-06 ObjectiveValue:0.2604 GradientMagnitude:0.0028 RelativeChangeInBeta:8.2512e-05 FitTime:0.1681历史:[]
MDL
是ClassificationKernel
模型。要检查样品中分类错误,你可以通过MDL
和训练数据或新数据失利
功能。或者,你可以通过MDL
而新的预测数据到预测
功能来预测新的观测类的标签。您也可以通过MDL
和训练数据的恢复
功能继续训练。
FitInfo
是包含优化信息的结构阵列。用FitInfo
确定优化终端测量是否令人满意。
为了获得更好的精确度,可以提高优化迭代的最大数量('IterationLimit'
)和减小公差值('BetaTolerance'
和'GradientTolerance'
)通过使用名称 - 值对的参数。这样做可以提高类似措施ObjectiveValue
和RelativeChangeInBeta
在FitInfo
。您也可以通过优化模型参数'OptimizeHyperparameters'
名称 - 值对的参数。
加载电离层
数据集。该数据集具有34个预测和雷达回波351个二进制应答,要么坏('B'
)或良好('G'
)。
加载电离层
分区中的数据集分成训练和测试集。指定测试组20%的保留样本。
RNG('默认')%用于重现分区= cvpartition(Y,'坚持',0.20);trainingInds =训练(分区);对于训练集%指标XTrain = X(trainingInds,:);YTrain = Y(trainingInds);testInds =试验(分区);对于测试集%指数XTEST = X(testInds,:);YTest = Y(testInds);
培养一个二进制内核分类模型,识别是否该雷达回波是坏的('B'
)或良好('G'
)。
MDL = fitckernel(XTrain,YTrain,'IterationLimit'5,“放牧”,1);
| ================================================================================================================= ||求解器|通行证|迭代|目的|步骤|梯度|相对|总和(测试版〜= 0)| | | | | | | magnitude | change in Beta | | |=================================================================================================================| | LBFGS | 1 | 0 | 1.000000e+00 | 0.000000e+00 | 2.811388e-01 | | 0 | | LBFGS | 1 | 1 | 7.585395e-01 | 4.000000e+00 | 3.594306e-01 | 1.000000e+00 | 2048 | | LBFGS | 1 | 2 | 7.160994e-01 | 1.000000e+00 | 2.028470e-01 | 6.923988e-01 | 2048 | | LBFGS | 1 | 3 | 6.825272e-01 | 1.000000e+00 | 2.846975e-02 | 2.388909e-01 | 2048 | | LBFGS | 1 | 4 | 6.699435e-01 | 1.000000e+00 | 1.779359e-02 | 1.325304e-01 | 2048 | | LBFGS | 1 | 5 | 6.535619e-01 | 1.000000e+00 | 2.669039e-01 | 4.112952e-01 | 2048 | |=================================================================================================================|
MDL
是ClassificationKernel
模型。
预测测试集标签,构建用于测试集的混淆矩阵,并估计分类误差为测试组。
标记=预测(MDL,XTEST);ConfusionTest = confusionchart(YTest,标签);
L =损失(MDL,XTEST,YTest)
L = 0.3594
MDL
misclassifies所有坏的雷达回波为良好的回报。
继续使用培训恢复
。此功能继续用于训练相同的选项培训MDL
。
UpdatedMdl =履历(MDL,XTrain,YTrain);
| ================================================================================================================= ||求解器|通行证|迭代|目的|步骤|梯度|相对|总和(测试版〜= 0)| | | | | | | magnitude | change in Beta | | |=================================================================================================================| | LBFGS | 1 | 0 | 6.535619e-01 | 0.000000e+00 | 2.669039e-01 | | 2048 | | LBFGS | 1 | 1 | 6.132547e-01 | 1.000000e+00 | 6.355537e-03 | 1.522092e-01 | 2048 | | LBFGS | 1 | 2 | 5.938316e-01 | 4.000000e+00 | 3.202847e-02 | 1.498036e-01 | 2048 | | LBFGS | 1 | 3 | 4.169274e-01 | 1.000000e+00 | 1.530249e-01 | 7.234253e-01 | 2048 | | LBFGS | 1 | 4 | 3.679212e-01 | 5.000000e-01 | 2.740214e-01 | 2.495886e-01 | 2048 | | LBFGS | 1 | 5 | 3.332261e-01 | 1.000000e+00 | 1.423488e-02 | 9.558680e-02 | 2048 | | LBFGS | 1 | 6 | 3.235335e-01 | 1.000000e+00 | 7.117438e-03 | 7.137260e-02 | 2048 | | LBFGS | 1 | 7 | 3.112331e-01 | 1.000000e+00 | 6.049822e-02 | 1.252157e-01 | 2048 | | LBFGS | 1 | 8 | 2.972144e-01 | 1.000000e+00 | 7.117438e-03 | 5.796240e-02 | 2048 | | LBFGS | 1 | 9 | 2.837450e-01 | 1.000000e+00 | 8.185053e-02 | 1.484733e-01 | 2048 | | LBFGS | 1 | 10 | 2.797642e-01 | 1.000000e+00 | 3.558719e-02 | 5.856842e-02 | 2048 | | LBFGS | 1 | 11 | 2.771280e-01 | 1.000000e+00 | 2.846975e-02 | 2.349433e-02 | 2048 | | LBFGS | 1 | 12 | 2.741570e-01 | 1.000000e+00 | 3.914591e-02 | 3.113194e-02 | 2048 | | LBFGS | 1 | 13 | 2.725701e-01 | 5.000000e-01 | 1.067616e-01 | 8.729821e-02 | 2048 | | LBFGS | 1 | 14 | 2.667147e-01 | 1.000000e+00 | 3.914591e-02 | 3.491723e-02 | 2048 | | LBFGS | 1 | 15 | 2.621152e-01 | 1.000000e+00 | 7.117438e-03 | 5.104726e-02 | 2048 | | LBFGS | 1 | 16 | 2.601652e-01 | 1.000000e+00 | 3.558719e-02 | 3.764904e-02 | 2048 | | LBFGS | 1 | 17 | 2.589052e-01 | 1.000000e+00 | 3.202847e-02 | 3.655744e-02 | 2048 | | LBFGS | 1 | 18 | 2.583185e-01 | 1.000000e+00 | 7.117438e-03 | 6.490571e-02 | 2048 | | LBFGS | 1 | 19 | 2.556482e-01 | 1.000000e+00 | 9.252669e-02 | 4.601390e-02 | 2048 | | LBFGS | 1 | 20 | 2.542643e-01 | 1.000000e+00 | 7.117438e-02 | 4.141838e-02 | 2048 | |=================================================================================================================| | Solver | Pass | Iteration | Objective | Step | Gradient | Relative | sum(beta~=0) | | | | | | | magnitude | change in Beta | | |=================================================================================================================| | LBFGS | 1 | 21 | 2.532117e-01 | 1.000000e+00 | 1.067616e-02 | 1.661720e-02 | 2048 | | LBFGS | 1 | 22 | 2.529890e-01 | 1.000000e+00 | 2.135231e-02 | 1.231678e-02 | 2048 | | LBFGS | 1 | 23 | 2.523232e-01 | 1.000000e+00 | 3.202847e-02 | 1.958586e-02 | 2048 | | LBFGS | 1 | 24 | 2.506736e-01 | 1.000000e+00 | 1.779359e-02 | 2.474613e-02 | 2048 | | LBFGS | 1 | 25 | 2.501995e-01 | 1.000000e+00 | 1.779359e-02 | 2.514352e-02 | 2048 | | LBFGS | 1 | 26 | 2.488242e-01 | 1.000000e+00 | 3.558719e-03 | 1.531810e-02 | 2048 | | LBFGS | 1 | 27 | 2.485295e-01 | 5.000000e-01 | 3.202847e-02 | 1.229760e-02 | 2048 | | LBFGS | 1 | 28 | 2.482244e-01 | 1.000000e+00 | 4.270463e-02 | 8.970983e-03 | 2048 | | LBFGS | 1 | 29 | 2.479714e-01 | 1.000000e+00 | 3.558719e-03 | 7.393900e-03 | 2048 | | LBFGS | 1 | 30 | 2.477316e-01 | 1.000000e+00 | 3.202847e-02 | 3.268087e-03 | 2048 | | LBFGS | 1 | 31 | 2.476178e-01 | 2.500000e-01 | 3.202847e-02 | 5.445890e-03 | 2048 | | LBFGS | 1 | 32 | 2.474874e-01 | 1.000000e+00 | 1.779359e-02 | 3.535903e-03 | 2048 | | LBFGS | 1 | 33 | 2.473980e-01 | 1.000000e+00 | 7.117438e-03 | 2.821725e-03 | 2048 | | LBFGS | 1 | 34 | 2.472935e-01 | 1.000000e+00 | 3.558719e-03 | 2.699880e-03 | 2048 | | LBFGS | 1 | 35 | 2.471418e-01 | 1.000000e+00 | 3.558719e-03 | 1.242523e-02 | 2048 | | LBFGS | 1 | 36 | 2.469862e-01 | 1.000000e+00 | 2.846975e-02 | 7.895605e-03 | 2048 | | LBFGS | 1 | 37 | 2.469598e-01 | 1.000000e+00 | 2.135231e-02 | 6.657676e-03 | 2048 | | LBFGS | 1 | 38 | 2.466941e-01 | 1.000000e+00 | 3.558719e-02 | 4.654690e-03 | 2048 | | LBFGS | 1 | 39 | 2.466660e-01 | 5.000000e-01 | 1.423488e-02 | 2.885769e-03 | 2048 | | LBFGS | 1 | 40 | 2.465605e-01 | 1.000000e+00 | 3.558719e-03 | 4.562565e-03 | 2048 | |=================================================================================================================| | Solver | Pass | Iteration | Objective | Step | Gradient | Relative | sum(beta~=0) | | | | | | | magnitude | change in Beta | | |=================================================================================================================| | LBFGS | 1 | 41 | 2.465362e-01 | 1.000000e+00 | 1.423488e-02 | 5.652180e-03 | 2048 | | LBFGS | 1 | 42 | 2.463528e-01 | 1.000000e+00 | 3.558719e-03 | 2.389759e-03 | 2048 | | LBFGS | 1 | 43 | 2.463207e-01 | 1.000000e+00 | 1.511170e-03 | 3.738286e-03 | 2048 | | LBFGS | 1 | 44 | 2.462585e-01 | 5.000000e-01 | 7.117438e-02 | 2.321693e-03 | 2048 | | LBFGS | 1 | 45 | 2.461742e-01 | 1.000000e+00 | 7.117438e-03 | 2.599725e-03 | 2048 | | LBFGS | 1 | 46 | 2.461434e-01 | 1.000000e+00 | 3.202847e-02 | 3.186923e-03 | 2048 | | LBFGS | 1 | 47 | 2.461115e-01 | 1.000000e+00 | 7.117438e-03 | 1.530711e-03 | 2048 | | LBFGS | 1 | 48 | 2.460814e-01 | 1.000000e+00 | 1.067616e-02 | 1.811714e-03 | 2048 | | LBFGS | 1 | 49 | 2.460533e-01 | 5.000000e-01 | 1.423488e-02 | 1.012252e-03 | 2048 | | LBFGS | 1 | 50 | 2.460111e-01 | 1.000000e+00 | 1.423488e-02 | 4.166762e-03 | 2048 | | LBFGS | 1 | 51 | 2.459414e-01 | 1.000000e+00 | 1.067616e-02 | 3.271946e-03 | 2048 | | LBFGS | 1 | 52 | 2.458809e-01 | 1.000000e+00 | 1.423488e-02 | 1.846440e-03 | 2048 | | LBFGS | 1 | 53 | 2.458479e-01 | 1.000000e+00 | 1.067616e-02 | 1.180871e-03 | 2048 | | LBFGS | 1 | 54 | 2.458146e-01 | 1.000000e+00 | 1.455008e-03 | 1.422954e-03 | 2048 | | LBFGS | 1 | 55 | 2.457878e-01 | 1.000000e+00 | 7.117438e-03 | 1.880892e-03 | 2048 | | LBFGS | 1 | 56 | 2.457519e-01 | 1.000000e+00 | 2.491103e-02 | 1.074764e-03 | 2048 | | LBFGS | 1 | 57 | 2.457420e-01 | 1.000000e+00 | 7.473310e-02 | 9.511878e-04 | 2048 | | LBFGS | 1 | 58 | 2.457212e-01 | 1.000000e+00 | 3.558719e-03 | 3.718564e-04 | 2048 | | LBFGS | 1 | 59 | 2.457089e-01 | 1.000000e+00 | 4.270463e-02 | 6.237270e-04 | 2048 | | LBFGS | 1 | 60 | 2.457047e-01 | 5.000000e-01 | 1.423488e-02 | 3.647573e-04 | 2048 | |=================================================================================================================| | Solver | Pass | Iteration | Objective | Step | Gradient | Relative | sum(beta~=0) | | | | | | | magnitude | change in Beta | | |=================================================================================================================| | LBFGS | 1 | 61 | 2.456991e-01 | 1.000000e+00 | 1.423488e-02 | 5.666884e-04 | 2048 | | LBFGS | 1 | 62 | 2.456898e-01 | 1.000000e+00 | 1.779359e-02 | 4.697056e-04 | 2048 | | LBFGS | 1 | 63 | 2.456792e-01 | 1.000000e+00 | 1.779359e-02 | 5.984927e-04 | 2048 | | LBFGS | 1 | 64 | 2.456603e-01 | 1.000000e+00 | 1.403782e-03 | 5.414985e-04 | 2048 | | LBFGS | 1 | 65 | 2.456482e-01 | 1.000000e+00 | 3.558719e-03 | 6.506293e-04 | 2048 | | LBFGS | 1 | 66 | 2.456358e-01 | 1.000000e+00 | 1.476262e-03 | 1.284139e-03 | 2048 | | LBFGS | 1 | 67 | 2.456124e-01 | 1.000000e+00 | 3.558719e-03 | 8.636596e-04 | 2048 | | LBFGS | 1 | 68 | 2.455980e-01 | 1.000000e+00 | 1.067616e-02 | 9.861527e-04 | 2048 | | LBFGS | 1 | 69 | 2.455780e-01 | 1.000000e+00 | 1.067616e-02 | 5.102487e-04 | 2048 | | LBFGS | 1 | 70 | 2.455633e-01 | 1.000000e+00 | 3.558719e-03 | 1.228077e-03 | 2048 | | LBFGS | 1 | 71 | 2.455449e-01 | 1.000000e+00 | 1.423488e-02 | 7.864590e-04 | 2048 | | LBFGS | 1 | 72 | 2.455261e-01 | 1.000000e+00 | 3.558719e-02 | 1.090815e-03 | 2048 | | LBFGS | 1 | 73 | 2.455142e-01 | 1.000000e+00 | 1.067616e-02 | 1.701506e-03 | 2048 | | LBFGS | 1 | 74 | 2.455075e-01 | 1.000000e+00 | 1.779359e-02 | 1.504577e-03 | 2048 | | LBFGS | 1 | 75 | 2.455008e-01 | 1.000000e+00 | 3.914591e-02 | 1.144021e-03 | 2048 | | LBFGS | 1 | 76 | 2.454943e-01 | 1.000000e+00 | 2.491103e-02 | 3.015254e-04 | 2048 | | LBFGS | 1 | 77 | 2.454918e-01 | 5.000000e-01 | 3.202847e-02 | 9.837523e-04 | 2048 | | LBFGS | 1 | 78 | 2.454870e-01 | 1.000000e+00 | 1.779359e-02 | 4.328953e-04 | 2048 | | LBFGS | 1 | 79 | 2.454865e-01 | 5.000000e-01 | 3.558719e-03 | 7.126815e-04 | 2048 | | LBFGS | 1 | 80 | 2.454775e-01 | 1.000000e+00 | 5.693950e-02 | 8.992562e-04 | 2048 | |=================================================================================================================| | Solver | Pass | Iteration | Objective | Step | Gradient | Relative | sum(beta~=0) | | | | | | | magnitude | change in Beta | | |=================================================================================================================| | LBFGS | 1 | 81 | 2.454686e-01 | 1.000000e+00 | 1.183730e-03 | 1.590246e-04 | 2048 | | LBFGS | 1 | 82 | 2.454612e-01 | 1.000000e+00 | 2.135231e-02 | 1.389570e-04 | 2048 | | LBFGS | 1 | 83 | 2.454506e-01 | 1.000000e+00 | 3.558719e-03 | 6.162089e-04 | 2048 | | LBFGS | 1 | 84 | 2.454436e-01 | 1.000000e+00 | 1.423488e-02 | 1.877414e-03 | 2048 | | LBFGS | 1 | 85 | 2.454378e-01 | 1.000000e+00 | 1.423488e-02 | 3.370852e-04 | 2048 | | LBFGS | 1 | 86 | 2.454249e-01 | 1.000000e+00 | 1.423488e-02 | 8.133615e-04 | 2048 | | LBFGS | 1 | 87 | 2.454101e-01 | 1.000000e+00 | 1.067616e-02 | 3.872088e-04 | 2048 | | LBFGS | 1 | 88 | 2.453963e-01 | 1.000000e+00 | 1.779359e-02 | 5.670260e-04 | 2048 | | LBFGS | 1 | 89 | 2.453866e-01 | 1.000000e+00 | 1.067616e-02 | 1.444984e-03 | 2048 | | LBFGS | 1 | 90 | 2.453821e-01 | 1.000000e+00 | 7.117438e-03 | 2.457270e-03 | 2048 | | LBFGS | 1 | 91 | 2.453790e-01 | 5.000000e-01 | 6.761566e-02 | 8.228766e-04 | 2048 | | LBFGS | 1 | 92 | 2.453603e-01 | 1.000000e+00 | 2.135231e-02 | 1.084233e-03 | 2048 | | LBFGS | 1 | 93 | 2.453540e-01 | 1.000000e+00 | 2.135231e-02 | 2.060005e-04 | 2048 | | LBFGS | 1 | 94 | 2.453482e-01 | 1.000000e+00 | 1.779359e-02 | 1.560883e-04 | 2048 | | LBFGS | 1 | 95 | 2.453461e-01 | 1.000000e+00 | 1.779359e-02 | 1.614693e-03 | 2048 | | LBFGS | 1 | 96 | 2.453371e-01 | 1.000000e+00 | 3.558719e-02 | 2.145835e-04 | 2048 | | LBFGS | 1 | 97 | 2.453305e-01 | 1.000000e+00 | 4.270463e-02 | 7.602088e-04 | 2048 | | LBFGS | 1 | 98 | 2.453283e-01 | 2.500000e-01 | 2.135231e-02 | 3.422253e-04 | 2048 | | LBFGS | 1 | 99 | 2.453246e-01 | 1.000000e+00 | 3.558719e-03 | 3.872561e-04 | 2048 | | LBFGS | 1 | 100 | 2.453214e-01 | 1.000000e+00 | 3.202847e-02 | 1.732237e-04 | 2048 | |=================================================================================================================| | Solver | Pass | Iteration | Objective | Step | Gradient | Relative | sum(beta~=0) | | | | | | | magnitude | change in Beta | | |=================================================================================================================| | LBFGS | 1 | 101 | 2.453168e-01 | 1.000000e+00 | 1.067616e-02 | 3.065286e-04 | 2048 | | LBFGS | 1 | 102 | 2.453155e-01 | 5.000000e-01 | 4.626335e-02 | 3.402368e-04 | 2048 | | LBFGS | 1 | 103 | 2.453136e-01 | 1.000000e+00 | 1.779359e-02 | 2.215029e-04 | 2048 | | LBFGS | 1 | 104 | 2.453119e-01 | 1.000000e+00 | 3.202847e-02 | 4.142355e-04 | 2048 | | LBFGS | 1 | 105 | 2.453093e-01 | 1.000000e+00 | 1.423488e-02 | 2.186007e-04 | 2048 | | LBFGS | 1 | 106 | 2.453090e-01 | 1.000000e+00 | 2.846975e-02 | 1.338602e-03 | 2048 | | LBFGS | 1 | 107 | 2.453048e-01 | 1.000000e+00 | 1.423488e-02 | 3.208296e-04 | 2048 | | LBFGS | 1 | 108 | 2.453040e-01 | 1.000000e+00 | 3.558719e-02 | 1.294488e-03 | 2048 | | LBFGS | 1 | 109 | 2.452977e-01 | 1.000000e+00 | 1.423488e-02 | 8.328380e-04 | 2048 | | LBFGS | 1 | 110 | 2.452934e-01 | 1.000000e+00 | 2.135231e-02 | 5.149259e-04 | 2048 | | LBFGS | 1 | 111 | 2.452886e-01 | 1.000000e+00 | 1.779359e-02 | 3.650664e-04 | 2048 | | LBFGS | 1 | 112 | 2.452854e-01 | 1.000000e+00 | 1.067616e-02 | 2.633981e-04 | 2048 | | LBFGS | 1 | 113 | 2.452836e-01 | 1.000000e+00 | 1.067616e-02 | 1.804300e-04 | 2048 | | LBFGS | 1 | 114 | 2.452817e-01 | 1.000000e+00 | 7.117438e-03 | 4.251642e-04 | 2048 | | LBFGS | 1 | 115 | 2.452741e-01 | 1.000000e+00 | 1.779359e-02 | 9.018440e-04 | 2048 | | LBFGS | 1 | 116 | 2.452691e-01 | 1.000000e+00 | 2.135231e-02 | 9.941716e-05 | 2048 | |=================================================================================================================|
预测测试集标签,构建用于测试集的混淆矩阵,并估计分类误差为测试组。
UpdatedLabel =预测(UpdatedMdl,XTEST);UpdatedConfusionTest = confusionchart(YTest,UpdatedLabel);
UpdatedL =损耗(UpdatedMdl,XTEST,YTest)
UpdatedL = 0.1284
后分类误差减小恢复
更新与更多的迭代分类模型。
您单击对应于该MATLAB命令的链接:
在MATLAB命令窗口中输入它运行的命令。Web浏览器不支持MATLAB的命令。万博1manbetx
您还可以选择从下面的列表中的网站:
选择最佳的网站性能的中国网站(在中国或英文)。其他MathWorks的国家网站都没有从您的位置访问进行了优化。