kfoldLossgydF4y2Ba

为观察分类损失在训练中不使用gydF4y2Ba

扩大所有页面gydF4y2Ba

语法gydF4y2Ba

L = kfoldLoss（CVMdl）gydF4y2Ba
L = kfoldLoss（CVMdl，名称，值）gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

lgydF4y2Ba= kfoldLoss（gydF4y2BaCVMdlgydF4y2Ba)gydF4y2Ba返回交叉验证gydF4y2Ba分类错误gydF4y2Ba通过交叉验证，纠错输出编码（ECOC）模型来估计速率由线性分类模型的gydF4y2BaCVMdlgydF4y2Ba。也就是说，对于每一个折，gydF4y2BakfoldLossgydF4y2Ba估计它在使用所有其他观察值进行训练时所持有的观察值的分类错误率。gydF4y2BakfoldLossgydF4y2Ba适用于使用相同的数据创建gydF4y2BaCVMdlgydF4y2Ba（看到gydF4y2BafitcecocgydF4y2Ba）。gydF4y2Ba

lgydF4y2Ba包含线性分类模型撰写为每个正则化强度的分类损失gydF4y2BaCVMdlgydF4y2Ba。gydF4y2Ba

例子gydF4y2Ba

lgydF4y2Ba= kfoldLoss（gydF4y2BaCVMdlgydF4y2Ba,gydF4y2Ba名称，值gydF4y2Ba)gydF4y2Ba使用由一个或多个指定的附加选项gydF4y2Ba名称，值gydF4y2Ba对参数。例如，指定解码方案，该方案可折叠用于损耗计算或冗长级别。gydF4y2Ba

输入参数gydF4y2Ba

展开全部gydF4y2Ba

由线性分类模型组成的交叉验证的ECOC模型，具体为agydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba模型对象。您可以创建一个gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba使用模型gydF4y2BafitcecocgydF4y2Ba和:gydF4y2Ba

  1. 例如，指定任何一个交叉验证的名称-值对参数，gydF4y2BaCrossValgydF4y2Ba

  2. 设置名称 - 值对参数gydF4y2Ba学习者gydF4y2Ba至gydF4y2Ba“线性”gydF4y2Ba或线性分类模型模板返回gydF4y2BatemplateLineargydF4y2Ba

为了获得估计数，kfoldLoss使用与交叉验证ECOC模型相同的数据(gydF4y2BaXgydF4y2Ba和gydF4y2BaYgydF4y2Ba）。gydF4y2Ba

名称 - 值对参数gydF4y2Ba

的可选逗号分隔对gydF4y2Ba名称，值gydF4y2Ba参数。gydF4y2Ba名称gydF4y2Ba参数名和gydF4y2Ba值gydF4y2Ba是对应的值。gydF4y2Ba名称gydF4y2Ba必须出现引号内。您可以按照任何顺序指定多个名称和值对参数gydF4y2Ba名1，值1，...，NameN，值NgydF4y2Ba。gydF4y2Ba

二进制学习者损失函数，指定为逗号分隔的一对组成的gydF4y2Ba'BinaryLoss'gydF4y2Ba和一个内置的，亏损函数名或函数句柄。gydF4y2Ba

  • 此表包含的名称和描述的内置函数，其中gydF4y2BaygydF4y2BajgydF4y2Ba是特定二进制学习者(在{-1,1,0}集合中)的类标签，gydF4y2Ba年代gydF4y2BajgydF4y2Ba是观察分数gydF4y2BajgydF4y2Ba和gydF4y2BaggydF4y2Ba(gydF4y2BaygydF4y2BajgydF4y2Ba,gydF4y2Ba年代gydF4y2BajgydF4y2Ba）是二进制损耗公式。gydF4y2Ba

    值gydF4y2Ba 描述gydF4y2Ba 分数域gydF4y2Ba ggydF4y2Ba(gydF4y2BaygydF4y2BajgydF4y2Ba,gydF4y2Ba年代gydF4y2BajgydF4y2Ba)gydF4y2Ba
    “binodeviance”gydF4y2Ba 二项式越轨gydF4y2Ba (-∞∞)gydF4y2Ba 日志[1个+ EXP（-2gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba）] / [2log（2）]gydF4y2Ba
    “指数”gydF4y2Ba 指数gydF4y2Ba (-∞∞)gydF4y2Ba EXP（ -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba）/ 2gydF4y2Ba
    “汉明”gydF4y2Ba 汉明gydF4y2Ba [0,1]或（-∞，∞）gydF4y2Ba [1 -符号(gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba）] / 2gydF4y2Ba
    '合页'gydF4y2Ba 合页gydF4y2Ba (-∞∞)gydF4y2Ba MAX（0,1 -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba）/ 2gydF4y2Ba
    “线性”gydF4y2Ba 线性gydF4y2Ba (-∞∞)gydF4y2Ba （1 -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba）/ 2gydF4y2Ba
    分对数的gydF4y2Ba 物流gydF4y2Ba (-∞∞)gydF4y2Ba 日志[1 + EXP（ -gydF4y2BaygydF4y2BajgydF4y2Ba年代gydF4y2BajgydF4y2Ba）] / [2log（2）]gydF4y2Ba
    “二次”gydF4y2Ba 二次gydF4y2Ba [0,1]gydF4y2Ba 〔1 -gydF4y2BaygydF4y2BajgydF4y2Ba（2gydF4y2Ba年代gydF4y2BajgydF4y2Ba- 1）]gydF4y2Ba2gydF4y2Ba/ 2gydF4y2Ba

    该软件标准化二进制损失，使得损失为0.5时gydF4y2BaygydF4y2BajgydF4y2Ba= 0。此外，软件计算每一类的平均二进制损失。gydF4y2Ba

  • 对于自定义的二进制损失函数，例如gydF4y2BacustomFunctiongydF4y2Ba，指定其功能手柄gydF4y2Ba'BinaryLoss'，@ customFunctiongydF4y2Ba。gydF4y2Ba

    customFunctiongydF4y2Ba应该有这张表gydF4y2Ba

    布劳斯= customFunction (M s)gydF4y2Ba
    地点:gydF4y2Ba

    • 米gydF4y2Ba是个gydF4y2BaKgydF4y2Ba-通过-gydF4y2BalgydF4y2Ba存储在编码矩阵gydF4y2BaMdl.CodingMatrixgydF4y2Ba。gydF4y2Ba

    • 年代gydF4y2Ba是1逐gydF4y2BalgydF4y2Ba行分类分值矢量。gydF4y2Ba

    • bLossgydF4y2Ba是分类的损失。这个标聚集在一个特定的类中的每个学习者的二进制损失。例如，你可以使用平均的二进制损失聚集在学生每个类的损失。gydF4y2Ba

    • KgydF4y2Ba为类数。gydF4y2Ba

    • lgydF4y2Ba是二进制的学习者的数量。gydF4y2Ba

    对于通过自定义的二元损失函数的例子，见gydF4y2Ba使用自定义二进制损失函数预测ECOC模型的测试样本标签gydF4y2Ba。gydF4y2Ba

默认情况下，如果所有二进制学习者使用线性分类模型：gydF4y2Ba

  • SVM，然后gydF4y2BaBinaryLossgydF4y2Ba是gydF4y2Ba'合页'gydF4y2Ba

  • Logistic回归，然后gydF4y2BaBinaryLossgydF4y2Ba是gydF4y2Ba“二次”gydF4y2Ba

例：gydF4y2Ba“BinaryLoss”、“binodeviance”gydF4y2Ba

数据类型：gydF4y2Ba烧焦gydF4y2Ba|gydF4y2Ba串gydF4y2Ba|gydF4y2Bafunction_handlegydF4y2Ba

聚合二进制损失的译码方案，指定为逗号分隔对所组成的gydF4y2Ba“解码”gydF4y2Ba和gydF4y2Ba'lossweighted'gydF4y2Ba要么gydF4y2Ba'lossbased'gydF4y2Ba。欲了解更多信息，请参阅gydF4y2Ba二进制损失gydF4y2Ba。gydF4y2Ba

例：gydF4y2Ba'解码'， 'lossbased'gydF4y2Ba

折叠索引用于分类分数预测，指定为逗号分隔的一对组成的gydF4y2Ba“折叠”gydF4y2Ba和一个正整数的数值向量。的元素gydF4y2Ba折叠gydF4y2Ba必须从gydF4y2Ba1gydF4y2Ba通过gydF4y2BaCVMdl.KFoldgydF4y2Ba。gydF4y2Ba

例：gydF4y2Ba'褶皱'，[1 4 10]gydF4y2Ba

数据类型：gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

损耗函数，指定为逗号分隔的一对组成的gydF4y2Ba'LossFun'gydF4y2Ba和功能手柄或gydF4y2Ba'classiferror'gydF4y2Ba。gydF4y2Ba

您可以：gydF4y2Ba

  • 指定内置函数gydF4y2Ba'classiferror'gydF4y2Ba，那么损失函数是gydF4y2Ba分类错误gydF4y2Ba。gydF4y2Ba

  • 使用功能句柄符号指定自己的函数。gydF4y2Ba

    对于接下来，gydF4y2BangydF4y2Ba是观测在训练数据（数gydF4y2BaCVMdl.NumObservationsgydF4y2Ba）和gydF4y2BaKgydF4y2Ba为课程数目(gydF4y2Banumel（CVMdl.ClassNames）gydF4y2Ba）。你的函数需要签名gydF4y2Balossvalue =gydF4y2BalossfungydF4y2Ba（C，S，W，成本）gydF4y2Ba其中：gydF4y2Ba

    • 输出参数gydF4y2BalossvaluegydF4y2Ba是一个标量。gydF4y2Ba

    • 选择函数名(gydF4y2BalossfungydF4y2Ba）。gydF4y2Ba

    • CgydF4y2Ba是一个gydF4y2BangydF4y2Ba-通过-gydF4y2BaKgydF4y2Ba与指示对应的观察属于哪个类别的行逻辑矩阵。列的顺序对应于类的顺序gydF4y2BaCVMdl.ClassNamesgydF4y2Ba。gydF4y2Ba

      构造gydF4y2BaCgydF4y2Ba通过设置gydF4y2BaC（P，Q）= 1gydF4y2Ba如果观察gydF4y2BapgydF4y2Ba在类gydF4y2Ba问gydF4y2Ba，对于每一行。设置行中的每个元素gydF4y2BapgydF4y2Ba至gydF4y2Ba0gydF4y2Ba。gydF4y2Ba

    • 年代gydF4y2Ba是一个gydF4y2BangydF4y2Ba-通过-gydF4y2BaKgydF4y2Ba类的负损失值的数值矩阵。每一行对应一个观测值。列的顺序对应于类的顺序gydF4y2BaCVMdl.ClassNamesgydF4y2Ba。gydF4y2Ba年代gydF4y2Ba类似于输出参数gydF4y2BaNegLossgydF4y2Ba的gydF4y2BakfoldPredictgydF4y2Ba。gydF4y2Ba

    • WgydF4y2Ba是一个gydF4y2BangydF4y2Ba×1观察权重的数值向量。如果您通过gydF4y2BaWgydF4y2Ba，软件标准化的元素总和gydF4y2Ba1gydF4y2Ba。gydF4y2Ba

    • 成本gydF4y2Ba是gydF4y2BaKgydF4y2Ba-通过-gydF4y2BaKgydF4y2Ba误判成本数字矩阵。例如，gydF4y2Ba成本gydF4y2Ba=gydF4y2Ba酮（K）-Eye（K）gydF4y2Ba指定的0正确分类的成本，和1错误分类。gydF4y2Ba

    使用以下命令指定您的函数gydF4y2Ba'LossFun'，@ lossfungydF4y2Ba。gydF4y2Ba

数据类型：gydF4y2Bafunction_handlegydF4y2Ba|gydF4y2Ba烧焦gydF4y2Ba|gydF4y2Ba串gydF4y2Ba

损失聚合级别，指定为逗号分隔对所组成的gydF4y2Ba“模式”gydF4y2Ba和gydF4y2Ba'平均'gydF4y2Ba要么gydF4y2Ba“个人”gydF4y2Ba。gydF4y2Ba

值gydF4y2Ba 描述gydF4y2Ba
'平均'gydF4y2Ba 返回的损失平均超过所有的折叠gydF4y2Ba
“个人”gydF4y2Ba 每个折返回损失gydF4y2Ba

例：gydF4y2Ba“模式”,“个人”gydF4y2Ba

估计选项，指定为逗号分隔的一对组成的gydF4y2Ba“选项”gydF4y2Ba以及返回的结构数组gydF4y2BastatsetgydF4y2Ba。gydF4y2Ba

要调用的并行计算：gydF4y2Ba

  • 你需要一个并行计算工具箱™许可证。gydF4y2Ba

  • 指定gydF4y2Ba'选项'，statset（ 'UseParallel'，真）gydF4y2Ba。gydF4y2Ba

详细级别，指定为逗号分隔的一对组成的gydF4y2Ba“放牧”gydF4y2Ba和gydF4y2Ba0gydF4y2Ba要么gydF4y2Ba1gydF4y2Ba。gydF4y2Ba详细gydF4y2Ba控制诊断消息的数量，该软件显示在命令窗口。gydF4y2Ba

如果gydF4y2Ba详细gydF4y2Ba是gydF4y2Ba0gydF4y2Ba，然后该软件不显示诊断消息。否则，软件会显示诊断消息。gydF4y2Ba

例：gydF4y2Ba'冗长'，1gydF4y2Ba

数据类型：gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

输出参数gydF4y2Ba

展开全部gydF4y2Ba

交叉验证gydF4y2Ba分类损失gydF4y2Ba时，返回作为数字标量，矢量或矩阵。的解释gydF4y2BalgydF4y2Ba依赖于取决于gydF4y2BaLossFungydF4y2Ba。gydF4y2Ba

让gydF4y2BaRgydF4y2Ba是正则化优势的数字是交叉验证模型（gydF4y2BaCVMdl.Trained {1} .BinaryLearners {1}的λgydF4y2Ba）和gydF4y2BaFgydF4y2Ba被存储在（折叠的数量gydF4y2BaCVMdl.KFoldgydF4y2Ba）。gydF4y2Ba

  • 如果gydF4y2Ba模式gydF4y2Ba是gydF4y2Ba'平均'gydF4y2Ba,然后gydF4y2BalgydF4y2Ba是1 -gydF4y2BaRgydF4y2Ba向量。gydF4y2BaL（gydF4y2BajgydF4y2Ba)gydF4y2Ba是通过交叉验证模型的所有折叠使用正规化强度平均损失分类gydF4y2BajgydF4y2Ba。gydF4y2Ba

  • 除此以外，gydF4y2BalgydF4y2Ba是gydF4y2BaFgydF4y2Ba-通过-gydF4y2BaRgydF4y2Ba矩阵。gydF4y2BaL（gydF4y2Ba我gydF4y2Ba,gydF4y2BajgydF4y2Ba)gydF4y2Ba是折叠的分类损失gydF4y2Ba我gydF4y2Ba使用正规化强度交叉验证模型gydF4y2BajgydF4y2Ba。gydF4y2Ba

例子gydF4y2Ba

展开全部gydF4y2Ba

开立真实脚本gydF4y2Ba

加载NLP的数据集。gydF4y2Ba

负载gydF4y2BanlpdatagydF4y2Ba

XgydF4y2Ba是预测数据的稀疏矩阵，并且gydF4y2BaYgydF4y2Ba是类别标签的分类矢量。gydF4y2Ba

交叉验证线性分类模型的ECOC模型。gydF4y2Ba

RNG（1）;gydF4y2Ba％用于重现gydF4y2BaCVMdl = fitcecoc（X，Y，gydF4y2Ba'学习者'gydF4y2Ba,gydF4y2Ba“线性”gydF4y2Ba,gydF4y2Ba“CrossVal”gydF4y2Ba,gydF4y2Ba“上”gydF4y2Ba);gydF4y2Ba

CVMdlgydF4y2Ba是gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba模型。默认情况下，该软件使用10倍交叉验证。gydF4y2Ba

估计平均出倍，分类错误率。gydF4y2Ba

CE = kfoldLoss（CVMdl）gydF4y2Ba
CE = 0.0958gydF4y2Ba

或者，您可以通过指定名称-值对来获得每倍的分类错误率gydF4y2Ba“模式”,“个人”gydF4y2Ba在gydF4y2BakfoldLossgydF4y2Ba。gydF4y2Ba

开立真实脚本gydF4y2Ba

加载NLP数据集。转置预测数据。gydF4y2Ba

负载gydF4y2BanlpdatagydF4y2BaX = X';gydF4y2Ba

为简单起见，在所有的观察中使用“其他”标签gydF4y2BaYgydF4y2Ba不在gydF4y2Ba'万博1manbetxSIMULINK'gydF4y2Ba,gydF4y2Ba'DSP'gydF4y2Ba， 要么gydF4y2Ba'COMM'gydF4y2Ba。gydF4y2Ba

Y（〜（ismember（Y，{gydF4y2Ba'万博1manbetxSIMULINK'gydF4y2Ba,gydF4y2Ba'DSP'gydF4y2Ba,gydF4y2Ba'COMM'gydF4y2Ba}）））=gydF4y2Ba'其他'gydF4y2Ba;gydF4y2Ba

创建指定优化使用SpaRSA目标函数的线性分类模型模板。gydF4y2Ba

T = templateLinear（gydF4y2Ba“求解”gydF4y2Ba,gydF4y2Ba“sparsa”gydF4y2Ba);gydF4y2Ba

交叉验证使用5倍交叉验证的线性分类模型的ECOC模型。使用SpaRSA优化目标函数。指定预测器观测值对应于列。gydF4y2Ba

RNG（1）;gydF4y2Ba％用于重现gydF4y2BaCVMdl = fitcecoc（X，Y，gydF4y2Ba“学习者”gydF4y2Ba，T，gydF4y2Ba'KFold'gydF4y2Ba5，gydF4y2Ba'ObservationsIn'gydF4y2Ba,gydF4y2Ba“列”gydF4y2Ba);CMdl1 = CVMdl.Trained {1}gydF4y2Ba
CMdl1 = classreg.learning.classif.CompactClassificationECOC ResponseName： 'Y' 的类名：[COMM DSP Simulink万博1manbetx的另外] ScoreTransform： '无' BinaryLearners：{6X1细胞} CodingMatrix：[4x6的双]的属性，方法gydF4y2Ba

CVMdlgydF4y2Ba是gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba模型。它包含属性gydF4y2Ba熟练gydF4y2Ba，这是一个5×1单元阵列保持gydF4y2BaCompactClassificationECOCgydF4y2Ba模型，该软件使用每个折叠的训练集训练。gydF4y2Ba

创建一个函数，为每个观测取最小损失，然后在所有观测中取最小损失的平均值。因为函数没有使用类标识符矩阵(gydF4y2BaCgydF4y2Ba），观察权重（gydF4y2BaWgydF4y2Ba)及分类费用(gydF4y2Ba成本gydF4y2Ba）， 用gydF4y2Ba~gydF4y2Ba有gydF4y2BakfoldLossgydF4y2Ba忽视了它的立场。gydF4y2Ba

lossfun = @ (~ S ~ ~)意味着(最低(- S, [], 2));gydF4y2Ba

估计使用每观察功能的损失最小的平均交叉验证分类损失。另外，获得用于每个折叠的损失。gydF4y2Ba

CE = kfoldLoss（CVMdl，gydF4y2Ba'LossFun'gydF4y2Ba，lossfun）gydF4y2Ba
CE = 0.0243gydF4y2Ba
ceFold = kfoldLoss（CVMdl，gydF4y2Ba'LossFun'gydF4y2Ba，lossfun，gydF4y2Ba“模式”gydF4y2Ba,gydF4y2Ba“个人”gydF4y2Ba)gydF4y2Ba
ceFold =gydF4y2Ba5×1gydF4y2Ba0.0244 0.0255 0.0248 0.0240 0.0226gydF4y2Ba
开立真实脚本gydF4y2Ba

要确定使用回归学习者线性分类模型组成的ECOC模型良好的套索刑罚强度，实现5倍交叉验证。gydF4y2Ba

加载NLP的数据集。gydF4y2Ba

负载gydF4y2BanlpdatagydF4y2Ba

XgydF4y2Ba是预测数据的稀疏矩阵，并且gydF4y2BaYgydF4y2Ba是类别标签的分类矢量。gydF4y2Ba

为简单起见，在所有的观察中使用“其他”标签gydF4y2BaYgydF4y2Ba不在gydF4y2Ba'万博1manbetxSIMULINK'gydF4y2Ba,gydF4y2Ba'DSP'gydF4y2Ba， 要么gydF4y2Ba'COMM'gydF4y2Ba。gydF4y2Ba

Y（〜（ismember（Y，{gydF4y2Ba'万博1manbetxSIMULINK'gydF4y2Ba,gydF4y2Ba'DSP'gydF4y2Ba,gydF4y2Ba'COMM'gydF4y2Ba}）））=gydF4y2Ba'其他'gydF4y2Ba;gydF4y2Ba

创建从一组11对数间隔的正规化优势gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba -gydF4y2Ba 7gydF4y2Ba 通过gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba -gydF4y2Ba 2gydF4y2Ba 。gydF4y2Ba

λ= logspace (7 2 11);gydF4y2Ba

创建一个指定使用逻辑回归学生的线性分类模型模板，使用套索的惩罚与优势gydF4y2BaλgydF4y2Ba，培养使用SpaRSA，并降低对目标函数的梯度的公差gydF4y2Ba1E-8gydF4y2Ba。gydF4y2Ba

T = templateLinear（gydF4y2Ba'学习者'gydF4y2Ba,gydF4y2Ba“物流”gydF4y2Ba,gydF4y2Ba“求解”gydF4y2Ba,gydF4y2Ba“sparsa”gydF4y2Ba,gydF4y2Ba...gydF4y2Ba“正规化”gydF4y2Ba,gydF4y2Ba'套索'gydF4y2Ba,gydF4y2Ba“λ”gydF4y2Ba，λ，gydF4y2Ba'GradientTolerance'gydF4y2Ba1 e-8);gydF4y2Ba

交叉验证模式。为了提高执行速度，转的预测数据，并指定该观测列。gydF4y2Ba

X = X';RNG（10）;gydF4y2Ba％用于重现gydF4y2BaCVMdl = fitcecoc（X，Y，gydF4y2Ba“学习者”gydF4y2Ba，T，gydF4y2Ba'ObservationsIn'gydF4y2Ba,gydF4y2Ba“列”gydF4y2Ba,gydF4y2Ba'KFold'gydF4y2Ba5);gydF4y2Ba

CVMdlgydF4y2Ba是gydF4y2BaClassificationPartitionedLinearECOCgydF4y2Ba模型。gydF4y2Ba

解剖gydF4y2BaCVMdlgydF4y2Ba，并在其中的每个模型。gydF4y2Ba

numECOCModels = numel（CVMdl.Trained）gydF4y2Ba
numECOCModels = 5gydF4y2Ba
ECOCMdl1 = CVMdl.Trained {1}gydF4y2Ba
ECOCMdl1 = classreg.learning.classif.CompactClassificationECOC ResponseName： 'Y' 的类名：[COMM DSP Simulink万博1manbetx的另外] ScoreTransform： '无' BinaryLearners：{6×1细胞} CodingMatrix：[4×6双]的属性，方法gydF4y2Ba
numCLModels = numel（ECOCMdl1.BinaryLearners）gydF4y2Ba
numCLModels = 6gydF4y2Ba
CLMdl1 = ECOCMdl1.BinaryLearners {1}gydF4y2Ba
CLMdl1 = ClassificationLinear ResponseName： 'Y' 的类名：[-1 1] ScoreTransform： '分对数' 贝塔：[34023×11双]偏压：[-0.3125 -0.3596 -0.3596 -0.3596 -0.3596 -0.3596 -0.1593 -0.0737 -0.1759  -0.3452 -0.5174] LAMBDA：1.0000e-07 3.1623e-07 1.0000e-06 3.1623e-06 1.0000e-05 3.1623e-05 1.0000e-04 3.1623e-04 1.0000e-03 0.0032 0.0100]学习者：“物流“属性，方法gydF4y2Ba

因为gydF4y2BafitcecocgydF4y2Ba工具5倍交叉验证，gydF4y2BaCVMdlgydF4y2Ba包含的一个5×1单元阵列gydF4y2BaCompactClassificationECOCgydF4y2Ba模型上的每个褶皱的软件列车。的gydF4y2BaBinaryLearnersgydF4y2Ba各财产gydF4y2BaCompactClassificationECOCgydF4y2Ba模型包含了gydF4y2BaClassificationLineargydF4y2Ba楷模。的数量gydF4y2BaClassificationLineargydF4y2Ba每个紧凑ECOC模型的模型取决于不同标签和编码设计的数量。因为gydF4y2BaλgydF4y2Ba是正规化的优势序列，你能想到的gydF4y2BaCLMdl1gydF4y2Ba作为11款车型，一个在每个正规化强度gydF4y2BaλgydF4y2Ba。gydF4y2Ba

通过绘制每个正则化强度的5倍分类误差的平均值，确定模型概括的程度。识别正则化强度，使网格上的泛化误差最小化。gydF4y2Ba

ce = kfoldLoss (CVMdl);图;plot(log10(Lambda)，log10(ce)) [~，minCEIdx] = min(ce);minLambda =λ(minCEIdx);持有gydF4y2Ba上gydF4y2Ba图（LOG10（minLambda），LOG10（CE（minCEIdx）），gydF4y2Ba“罗”gydF4y2Ba);ylabel（gydF4y2Ba'LOG_ {10} 5倍分类错误'gydF4y2Ba）xlabel（gydF4y2Ba“log_{10}λ的gydF4y2Ba）图例（gydF4y2Ba'MSE'gydF4y2Ba,gydF4y2Ba“闵分类错误”gydF4y2Ba）保持gydF4y2Ba离gydF4y2Ba

培养使用整个数据集的线性分类模型组成的ECOC模型，并指定最小正则化强度。gydF4y2Ba

T = templateLinear（gydF4y2Ba'学习者'gydF4y2Ba,gydF4y2Ba“物流”gydF4y2Ba,gydF4y2Ba“求解”gydF4y2Ba,gydF4y2Ba“sparsa”gydF4y2Ba,gydF4y2Ba...gydF4y2Ba“正规化”gydF4y2Ba,gydF4y2Ba'套索'gydF4y2Ba,gydF4y2Ba“λ”gydF4y2Ba，minLambda，gydF4y2Ba'GradientTolerance'gydF4y2Ba1 e-8);MdlFinal = fitcecoc (X, Y,gydF4y2Ba“学习者”gydF4y2Ba，T，gydF4y2Ba'ObservationsIn'gydF4y2Ba,gydF4y2Ba“列”gydF4y2Ba);gydF4y2Ba

为了估计新的观察标签，合格gydF4y2BaMdlFinalgydF4y2Ba和新数据gydF4y2Ba预测gydF4y2Ba。gydF4y2Ba

更多关于gydF4y2Ba

展开全部gydF4y2Ba

参考gydF4y2Ba

[1] Allwein，E.，R. Schapire和Y.歌手。“减少多类为二进制：一个统一的保证金CLASSI网络ERS的做法。”gydF4y2Ba机器学习研究杂志gydF4y2Ba。卷。1，2000，第113-141。gydF4y2Ba

[2]埃斯卡利拉，S.，O.普霍尔和P. Radeva。“关于三元的解码处理的纠错输出编码。”gydF4y2BaIEEE交易模式分析与机器智能gydF4y2Ba。卷。32，第7期，2010，第120-134。gydF4y2Ba

[3]埃斯卡利拉，S.，O.普霍尔和P. Radeva。“用于纠错输出编码稀疏设计三元代码可分”。gydF4y2Ba模式RecogngydF4y2Ba。卷。30，第3期，2009年，第285-297。gydF4y2Ba

扩展功能gydF4y2Ba

另请参阅gydF4y2Ba

|gydF4y2Ba|gydF4y2Ba|gydF4y2Ba|gydF4y2Ba|gydF4y2Ba|gydF4y2Ba

主题gydF4y2Ba

介绍了R2016agydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba
万博1manbetx
掌握机器学习:用MATLAB逐步指导gydF4y2Ba

掌握机器学习:用MATLAB逐步指导gydF4y2Ba

下载电子书gydF4y2Ba