ClassificationKernel

使用随机功能扩展高斯核分类模型

扩大所有页面

描述

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

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

属性

展开全部

核心分类属性

`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， $F （ X ） = Ť （ X ） β + b 。$

X是从观察（行矢量）p预测变量。
$Ť （ \cdot ）$ 是一个观测（行矢量）的用于特征扩展的变换。Ť（X）地图X在 $ℝ^{p}$ 到一个高维空间（ $ℝ^{米}$ ）。
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）： $ℓ [ÿ ， F （ X ）] = 日志 {1 + EXP [- ÿ F （ X ）]}$	`'Logit模型'`
`'SVM'`	万博1manbetx支持向量机	合页： $ℓ [ÿ ， F （ X ）] = 最大 [0 ， 1 - ÿ F （ X ）]$	`'合页'`

`NumExpansionDimensions`-扩大空间的维数
正整数

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
正标量

核心尺度参数，指定为正标量。

数据类型：烧焦|单|双

`BoxConstraint`-箱约束
正标量

框约束，指定为正标量。

数据类型：双|单

`LAMBDA`-正则长期强度
非负标

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： $ℓ [ÿ ， F （ X ）] = 最大 [0 ， 1 - ÿ F （ X ）]$	`'SVM'`
`'Logit模型'`	Logistic回归	越轨（物流）： $ℓ [ÿ ， F （ X ）] = 日志 {1 + EXP [- ÿ F （ X ）]}$	`“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

$\frac{λ}{2} Σ_{Ĵ = 1}^{p} β_{Ĵ}^{2}$

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。

其他分类属性

`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
分类数组|字符数组|逻辑向量|数字矢量|字符向量的单元阵列

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
方数字矩阵

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（一世，Ĵ）是分类的点到类的费用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
结构体

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
字符向量的单元阵列

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
字符向量的单元阵列

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
数字矢量

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 $F （ X ） = Ť （ X ） β + b 。$

$Ť （ \cdot ）$ 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
特征向量

响应变量名，指定为字符向量。

数据类型：烧焦

对象函数

`边缘`	对于高斯核分类模型分类边缘
`失利`	对于高斯核分类模型分类损失
`余量`	分类利润率高斯核分类模型
`预测`	预测标签高斯核分类模型
`恢复`	简历高斯核分类模型的训练

例子

全部收缩

火车内核分类模型

开立真实脚本

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。

预测类标签和恢复训练

开立真实脚本

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

MDLmisclassifies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。

也可以看看

ClassificationLinear|fitckernel|fitclinear

ClassificationKernel

描述

创建

属性

核心分类属性

`学习者`-线性分类模型类型
`“物流”`|`'SVM'`

`NumExpansionDimensions`-扩大空间的维数
正整数

`KernelScale`-核心尺度参数
正标量

`BoxConstraint`-箱约束
正标量

`LAMBDA`-正则长期强度
非负标

`FittedLoss`-损失函数用来拟合线性模型
`'合页'`|`'Logit模型'`

`正则`-复杂性惩罚型
`'脊（L2）'`

其他分类属性

`CategoricalPredictors`-分类预测的指标
`[]`

`类名`-独特的类标签
分类数组|字符数组|逻辑向量|数字矢量|字符向量的单元阵列

`成本`-误分类成本
方数字矩阵

`ModelParameters`-用于训练模型参数
结构体

`PredictorNames`-预测名
字符向量的单元阵列

`ExpandedPredictorNames`-扩展预测名称
字符向量的单元阵列

`先`-在此之前类概率
数字矢量

`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|...

`ResponseName`-响应变量名
特征向量

对象函数

例子

火车内核分类模型

预测类标签和恢复训练

也可以看看

介绍了在R2017b

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习：有步骤，分步指南与MATLAB

ClassificationKernel

描述

创建

属性

核心分类属性

学习者-线性分类模型类型“物流”|'SVM'

NumExpansionDimensions-扩大空间的维数正整数

KernelScale-核心尺度参数正标量

BoxConstraint-箱约束正标量

LAMBDA-正则长期强度非负标

FittedLoss-损失函数用来拟合线性模型'合页'|'Logit模型'

正则-复杂性惩罚型'脊（L2）'

其他分类属性

CategoricalPredictors-分类预测的指标[]

类名-独特的类标签分类数组|字符数组|逻辑向量|数字矢量|字符向量的单元阵列

成本-误分类成本方数字矩阵

ModelParameters-用于训练模型参数结构体

PredictorNames-预测名字符向量的单元阵列

ExpandedPredictorNames-扩展预测名称字符向量的单元阵列

先-在此之前类概率数字矢量

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|...

ResponseName-响应变量名特征向量

对象函数

例子

火车内核分类模型

预测类标签和恢复训练

也可以看看

介绍了在R2017b

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习：有步骤，分步指南与MATLAB

`学习者`-线性分类模型类型
`“物流”`|`'SVM'`

`NumExpansionDimensions`-扩大空间的维数
正整数

`KernelScale`-核心尺度参数
正标量

`BoxConstraint`-箱约束
正标量

`LAMBDA`-正则长期强度
非负标

`FittedLoss`-损失函数用来拟合线性模型
`'合页'`|`'Logit模型'`

`正则`-复杂性惩罚型
`'脊（L2）'`

`CategoricalPredictors`-分类预测的指标
`[]`

`类名`-独特的类标签
分类数组|字符数组|逻辑向量|数字矢量|字符向量的单元阵列

`成本`-误分类成本
方数字矩阵

`ModelParameters`-用于训练模型参数
结构体

`PredictorNames`-预测名
字符向量的单元阵列

`ExpandedPredictorNames`-扩展预测名称
字符向量的单元阵列

`先`-在此之前类概率
数字矢量

`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|...

`ResponseName`-响应变量名
特征向量