万博1manbetx支持向量机(SVM),用于单类和二元分类
ClassificationSVM
是一个万博1manbetx支持向量机(SVM)分类一类和两班学习。熟练ClassificationSVM
分类存储训练数据,参数值,先验概率,支持向量,和算法实现信息。万博1manbetx使用这些分类来执行任务,如安装一个分数 - 后概率转换功能(见fitPosterior
)和预测新的数据标签(见预测
)。
创建一个ClassificationSVM
通过使用对象fitcsvm
。
紧凑 |
减少支持向量机(SVM)分类器万博1manbetx的大小 |
compareHoldout |
使用新的数据的两个分类模型的精度比较 |
crossval |
交叉验证支持向量机(SVM)分万博1manbetx类 |
discard万博1manbetxSupportVectors |
丢弃支持向量用于万博1manbetx线性支持向量机分类器 |
边缘 |
发现分类为边缘支持向量机(SVM)分类万博1manbetx |
fitPosterior |
适合支持向量机(SVM)分类器的后验概率万博1manbetx |
损失 |
查找支持向量机(SVM)分类分类错误万博1manbetx |
余量 |
查找支持向量机(SVM)分类分级利润率万博1manbetx |
预测 |
使用支持向量机分类观测(SVM)分类万博1manbetx |
resubEdge |
查找分级刃用于通过resubstitution支持向量机(万博1manbetxSVM)分类 |
resubLoss |
查找由resubstitution支持向量机(SVM)分类万博1manbetx分级损失 |
resubMargin |
通过重新替换的方法找到支持向量机分类器的分类边界万博1manbetx |
resubPredict |
在支持向量机分类观测(SVM)分类万博1manbetx |
恢复 |
恢复训练支持向量机(SVM)分类万博1manbetx |
SVM二分类算法的数学公式见万博1manbetx支持向量机的二元分类和理解支持向量机万博1manbetx。
为NaN
,<未定义>
,空字符向量(“”
),空字符串(“”
),和<缺失>
值表示遗漏值。fitcsvm
去除对应于丢失的响应数据的整行。当计算总权重(见下子弹),fitcsvm
忽略对应于观察至少一个缺少的预测的任何重量。这个动作可以导致平衡级难题不平衡先验概率。因此,观测箱内的限制可能不等于BoxConstraint
。
fitcsvm
删除具有零权重或先验概率的观察。
对于两班学习,如果你指定的成本矩阵
(看到成本
),则软件更新类先验概率p(看到之前
) 至pC通过将所描述的惩罚
。
特别,fitcsvm
完成这些步骤:
计算
正常化pC*使更新后的先验概率总和为1。
ķ是的类的数量。
将成本矩阵重置为默认值
从对应于类具有零先验概率的培训数据中去除观测。
对于两班学习,fitcsvm
标准化所有观察权重(见权重
)加起来等于1。然后,该函数将规范化的权重重新规格化,使其总和等于观测所属类的更新的先验概率。也就是观测的总重量Ĵ在班上ķ是
w ^Ĵ是用于观察的归一化重量Ĵ;pC,ķ是类的更新的先验概率ķ(见前面的子弹)。
对于两班学习,fitcsvm
分配箱约束在训练数据中的每个观测。为观察框约束的公式Ĵ是
ñ是训练样本大小,C0在初始框约束(见'BoxConstraint'
名称 - 值对参数),和
是观察的总重量Ĵ(见前面的子弹)。
如果设置“标准化”,真
和'成本'
,“在此之前”
,或“权重”
名称 - 值对的参数,然后fitcsvm
标准化使用其相应的加权装置和加权标准偏差的预测。那是,fitcsvm
标准化预测Ĵ(XĴ)使用
XJK是观察ķ预测器(行)Ĵ(列)。
假设p
是异常的,你在训练数据预期中的比重,您设置'OutlierFraction',P
。
对于一类学习,软件培训偏项下100p
在训练数据的观察%的负分。
该软件工具强劲的学习对于两班学习。换句话说,该软件试图消除100p
%的意见时,优化算法收敛的。除去的观测对应于在幅度上大梯度。
如果你的预测数据包含分类变量,那么软件通常使用这些变量的完整虚拟编码。该软件会为每个分类变量的每个级别一个虚拟变量。
该PredictorNames
属性存储每个原始预测变量名的一个元素。例如,假设有三个预测器,其中之一是具有三个电平的分类变量。然后PredictorNames
是包含预测变量的原始名称字符矢量的1×3单元阵列。
该ExpandedPredictorNames
属性存储每个预测变量,包括虚拟变量的一种元素。例如,假设有三个预测器,其中之一是具有三个电平的分类变量。然后ExpandedPredictorNames
是包含预测值变量和新的虚拟变量的名称字符矢量的1×5单元阵列。
同样的,Beta版
属性存储一个β系数每个预测,包括虚拟变量。
该万博1manbetxSupportVectors
属性存储用于支持载体,包括虚拟变量预测值。万博1manbetx例如,假设有米万博1manbetx支持向量和三个预测器,其中的一个是具有三个电平的分类变量。然后万博1manbetxSupportVectors
是一个ñ-by-5矩阵。
该X
属性存储训练数据最初输入,不包括虚拟变量。当输入是一个表,X
只包含用作预测列。
对于表中规定,如果任何变量包含有序(有序)类别的预测,该软件使用的序号编码这些变量。
对于具有可变ķ排序的等级,该软件创建ķ- 1虚拟变量。该Ĵ个虚拟变量是-1达到以下级别Ĵ和+1对于水平Ĵ+ 1通过ķ。
存储在虚拟变量的名字ExpandedPredictorNames
物业表示,其值为第一级+1。软件商店ķ- 1另外预测值名字的虚拟变量,包括级别2,3的名字,...,ķ。
所有的求解器大号1软余量最小化。
对于一类学习,软件估计拉格朗日乘数,α1、……αñ,这样
[1] Hastie, T., R. Tibshirani和J. Friedman。统计学习的要素, 第二版。纽约:施普林格,2008年。
[2] Scholkopf,B.,J. C.普拉特,J. C. Shawe-泰勒,A. J.斯莫拉岛,和R. C.威廉森。“估计高维分布的支持。”万博1manbetx神经COMPUT。,第13,7号,2001年,第1443至1471年。
[3] Christianini,N.,和J. C. Shawe-泰勒。简介支持向量机和其他基于内核的学习方法万博1manbetx。英国剑桥:剑桥大学出版社,2000。
[4] Scholkopf,B。,和A.斯莫拉岛。支持向量机,规范化,优化和超越,自适应计算和机万博1manbetx器学习:与内核学习。马萨诸塞州剑桥:麻省理工学院出版社,2002年。