ClassificationSVM

万博1manbetx支持向量机（SVM），用于单类和二元分类

描述

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

创建一个ClassificationSVM通过使用对象fitcsvm。

属性

全部展开

SVM属性

`Α`-训练的分类系数
数字矢量

此属性是只读的。

训练的分类系数，指定为小号×1数值向量。小号在训练的分类器支持向量的数目，万博1manbetx总和(Mdl.IsS万博1manbetxupportVector)。

Α包含双重问题，也就是估计拉格朗日乘数训练过的分类系数。如果您使用的删除重复RemoveDuplicates的名称 - 值对参数fitcsvm，然后给定一组重复的意见，即是支持向量，万博1manbetxΑ包含对应于整个组的一个系数。也就是说，MATLAB^®从该组重复的和系数的属性一个非零系数，以一个观测0到集合中的所有其他重复观测。

数据类型：单|双

`Beta版`-线性预测系数
数字矢量

此属性是只读的。

线性预测器系数，指定为数值向量。长度Beta版等于用于训练模型预测的数量。

MATLAB使用完全虚拟编码在预测数据中扩展分类变量。也就是说，MATLAB为每个分类变量的每一级创建一个哑变量。Beta版存储每个预测变量，包括虚拟变量的一个值。例如，如果有三个预测器，其中的一个是具有三个电平的分类变量，然后Beta版是含有五个值一个数值向量。

如果KernelParameters.Function是“线性”，则分类得分观察X是

$F （ X ） = （ X / 小号） “ β + b 。$

MDL商店β，b和小号在属性Beta版，偏见和KernelParameters.Scale，分别。

手动估算分类的分数，你必须先申请任何转换到该训练过程中应用的预测数据。具体来说，如果您指定“标准化”，真当使用fitcsvm，则必须使用手动平均标准化预测数据Mdl.Mu和标准偏差Mdl.Sigma，然后由内核规模划分结果Mdl.KernelParameters.Scale。

所有的SVM功能，如resubPredict和预测，估计之前应用任何所需的转换。

如果KernelParameters.Function不是“线性”，然后Beta版是空的（[])。

数据类型：单|双

`偏见`-偏项
标量

此属性是只读的。

偏置项，指定为标量。

数据类型：单|双

`BoxConstraints`-箱形约束
数字矢量

此属性是只读的。

框约束，指定为一个数值向量ñ×1箱约束。ñ是（在训练数据的观测次数看NumObservations属性）。

如果您使用的删除重复RemoveDuplicates的名称 - 值对参数fitcsvm，则对于一组给定的重复观察，MATLAB求和框约束和属性然后总和一个观察。MATLAB属性的箱形约束0集合中所有其他的观察结果。

数据类型：单|双

`CacheInfo`-缓存的信息
结构阵列

此属性是只读的。

缓存信息，指定为结构阵列。缓存信息包含在此表中所述的字段。

领域	描述
尺寸	缓存大小（MB），该软件储备训练SVM分类器。有关详细信息，请参阅`'的CacheSize'`。
算法	缓存算法优化过程中的软件使用。目前，唯一可用的缓存算法`队列`。您不能设置缓存算法。

显示领域CacheInfo通过使用点符号。例如，Mdl.CacheInfo.Size显示缓存大小的值。

数据类型：结构

`Is万博1manbetxSupportVector`-万博1manbetx支持向量指示器
逻辑向量

此属性是只读的。

万博1manbetx支持向量指示器，指定为ñ-乘1逻辑向量，标记预测器数据矩阵中对应的观测值是否为a万博1manbetx支持向量。ñ在训练数据的观测次数（见NumObservations)。

如果您使用的删除重复RemoveDuplicates的名称 - 值对参数fitcsvm，然后给定一组重复的意见，即是支持向量，万博1manbetxIs万博1manbetxSupportVector只标记一个观察作为支持向量。万博1manbetx

数据类型：合乎逻辑

`KernelParameters`-内核参数
结构阵列

此属性是只读的。

内核参数，指定为结构阵列。该内核的参数属性包含在此表中列出的字段。

领域	描述
功能	核函数用于计算的元素革兰氏矩阵。有关详细信息，请参阅`'KernelFunction'`。
规模	内核尺度参数用于缩放其上模型被训练所述预测数据的所有元素。有关详细信息，请参阅`'KernelScale'`。

要显示的值KernelParameters，使用点记号。例如，Mdl.KernelParameters.Scale显示内核尺度参数值。

该软件接受KernelParameters作为输入，并没有对其进行修改。

数据类型：结构

`怒江`-看到下面成了学习参数
正标量

此属性是只读的。

一类学习参数ν，指定为正标量。

数据类型：单|双

`OutlierFraction`-离群的比例
数字标

此属性是只读的。

训练数据中异常值的比例，指定为数值标量。

数据类型：双

`求解`-优化程序
`'ISDA'`|`'L1QP'`|`'SMO'`

此属性是只读的。

优化程序用来训练SVM分类，指定为'ISDA'，'L1QP',或'SMO'。有关详细信息，请参阅“求解”。

`万博1manbetxSupportVectorLabels`-万博1manbetx支持向量类标签
小号×1数值向量

此属性是只读的。

万博1manbetx支持向量类别标签，指定为小号×1数值向量。小号在训练的分类器支持向量的数目，万博1manbetx总和(Mdl.IsS万博1manbetxupportVector)。

的价值+1在万博1manbetxSupportVectorLabels指示对应的支持向量是在正类（万博1manbetx类名{2})。的价值-1表示对应的支持向量属于负类(万博1manbetx类名{1})。

如果您使用的删除重复RemoveDuplicates的名称 - 值对参数fitcsvm，然后给定一组重复的意见，即是支持向量，万博1manbetx万博1manbetxSupportVectorLabels包含一个独特的支持向量标签。万博1manbetx

数据类型：单|双

`万博1manbetxSupportVectors`-万博1manbetx支持向量
小号-通过-p数字矩阵

此属性是只读的。

万博1manbetx在经训练的分类支持向量，指定为小号-通过-p数字矩阵。小号在训练的分类器支持向量的数目，万博1manbetx总和(Mdl.IsS万博1manbetxupportVector)和p是预测变量在预测数据的数量。

万博1manbetxSupportVectors包含预测数据行X该MATLAB认为是支持向量。万博1manbetx如果您指定“标准化”，真利用训练SVM分类时fitcsvm，然后万博1manbetxSupportVectors包含的标准化行X。

如果您使用的删除重复RemoveDuplicates的名称 - 值对参数fitcsvm，然后给定一组重复的意见，即是支持向量，万博1manbetx万博1manbetxSupportVectors包含一个独特的支持向量。万博1manbetx

数据类型：单|双

其他分类属性

`CategoricalPredictors`-分类预测指标
正整数的向量|`[]`

此属性是只读的。

直言预测指标，指定为正整数的向量。CategoricalPredictors包含对应于包含分类预测所述预测数据的列的索引值。如果没有预测的是分类的，则此属性是空的（[])。

数据类型：单|双

`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

此属性是只读的。

在训练模型，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使用的唯一类别标签。

数据类型：单|双|合乎逻辑|烧焦|细胞|明确的

`成本`-误分类代价
数字方阵

此属性是只读的。

误分类成本，指定为数字平方矩阵，其中成本（I，J）将一个分数分类的成本是多少Ĵ如果它的真类是一世。

在培训过程中，该软件通过将在成本矩阵所描述的处罚更新先验概率。

对于两班学习，成本总是有这样的形式：成本（I，J）= 1如果I〜= j的和成本（I，J）= 0如果我= j的。行对应于真实类和列对应于预测类。行和列的顺序成本对应于类的顺序类名。
对于一类学习，成本= 0。

有关详细信息，请参阅算法。

数据类型：双

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

此属性是只读的。

扩展预测器名，指定为字符向量的单元阵列。

如果该机型采用虚拟变量编码分类变量，然后ExpandedPredictorNames包括描述扩展的变量名。除此以外，ExpandedPredictorNames是相同的PredictorNames。

数据类型：细胞

`梯度`-训练数据的坡度值
数字矢量

此属性是只读的。

训练数据梯度值，指定为数值向量。长度梯度等于观测值的数目（见NumObservations)。

数据类型：单|双

`ModelParameters`-参数用来训练模型
结构阵列

此属性是只读的。

参数用来训练ClassificationSVM模型，指定为结构阵列。ModelParameters包含的参数值，例如用于训练SVM分类器的名称 - 值对参数值。ModelParameters不包含估计参数。

的字段ModelParameters通过使用点符号。例如，访问的初始值用于估计Α通过使用Mdl.ModelParameters.Alpha。

数据类型：结构

`亩`-预测方法
数字矢量|`[]`

此属性是只读的。

预测器的意思是，指定为一个数值向量。如果您指定'标准化'，1要么“标准化”，真当您使用训练SVM分类fitcsvm，然后的长度亩等于预测的数目。

MATLAB使用完全虚拟编码在预测数据中扩展分类变量。也就是说，MATLAB为每个分类变量的每一级创建一个哑变量。亩存储每个预测变量，包括虚拟变量的一个值。然而，MATLAB不规范包含分类变量的列。

如果设置“标准化”，假当您使用训练SVM分类fitcsvm，然后亩为空向量([])。

数据类型：单|双

`NumObservations`-观察数
数字标

此属性是只读的。

观察存储在训练数据数X和ÿ，指定为数值标量。

数据类型：单|双

`PredictorNames`-预测变量名
字符向量的单元阵列

此属性是只读的。

预测器变量名，指定为字符向量的单元阵列。的元素的顺序PredictorNames对应于这样的预测的名字出现在训练数据的顺序。

数据类型：细胞

`之前`-先验概率
数字矢量

此属性是只读的。

先验概率为每个类，指定为数值向量。的元素的顺序之前对应于元件Mdl.ClassNames。

对于两班学习，如果指定了成本矩阵，则该软件通过将在成本矩阵所描述的处罚更新先验概率。

有关详细信息，请参阅算法。

数据类型：单|双

`ResponseName`-响应变量名
特征向量

此属性是只读的。

响应变量名，指定为字符向量。

数据类型：烧焦

`RowsUsed`-在安装使用的行
`[]`|逻辑向量

此属性是只读的。

原始数据的行X在装配中使用ClassificationSVM建模，指定作为逻辑矢量。如果使用所有行此属性是空的。

数据类型：合乎逻辑

`ScoreTransform`-得分变换
特征向量|功能手柄

分数转换，指定为字符向量或函数句柄。ScoreTransform代表一个内置的转换函数或转换预测分类分数的函数句柄。

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，输入一个字符向量。

Mdl。ScoreTransform = '功能“;

此表描述了可用的内置函数。

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函数或您定义的功能，进入它的功能句柄。
```
Mdl.ScoreTransform = @功能;
```
功能应该接受一个矩阵(原始分数)并返回一个相同大小的矩阵(转换后的分数)。

数据类型：烧焦|function_handle

`σ`-预测标准差
`[]`(默认)|数字矢量

此属性是只读的。

预测标准偏差，指定为数值向量。

如果您指定“标准化”，真当您使用训练SVM分类fitcsvm，然后的长度σ等于预测变量的个数。

MATLAB使用完全虚拟编码在预测数据中扩展分类变量。也就是说，MATLAB为每个分类变量的每一级创建一个哑变量。σ存储每个预测变量，包括虚拟变量的一个值。然而，MATLAB不规范包含分类变量的列。

如果设置“标准化”，假当您使用训练SVM分类fitcsvm，然后σ为空向量([])。

数据类型：单|双

`w ^`-观察权重
`一（N，1）`(默认)|数字矢量

此属性是只读的。

观察权重用于训练SVM分类器，指定为ñ×1数值向量。ñ被（观测值的数量看NumObservations)。

fitcsvm归一化在指定的观察权重“权重”名称 - 值对的参数，使得中的元素w ^特定类别内总结该类别的先验概率。

数据类型：单|双

`X`-非标准预测
数字矩阵|表

此属性是只读的。

用于训练SVM分类器的非标准化预测器，指定为数值矩阵或表。

每行X对应于一个观测，并且每一列对应于一个变量。

含有至少一个缺少的值MATLAB排除观测值，以及相应的从元件中移除了ÿ。

数据类型：单|双

`ÿ`-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

此属性是只读的。

类标签用于训练SVM分类器，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。ÿ是相同的数据类型的输入参数ÿ的fitcsvm。（该软件把字符串数组作为字符向量的单元阵列。）

每行ÿ表示的对应行的观察分类X。

含有MATLAB排除元素缺失值，并从相应的观察中移除了X。

数据类型：单|双|合乎逻辑|烧焦|细胞|明确的

收敛控制属性

`ConvergenceInfo`-收敛信息
结构阵列

此属性是只读的。

收敛信息，指定为结构阵列。

领域	描述
`融合`	逻辑标志，指示是否所述算法收敛（`1`表明收敛）。
`ReasonForConvergence`	字符向量表示软件用于检测收敛性的准则。
`差距`	双重和原始目标函数之间的标量可行性间隙。
`GapTolerance`	标可行性间隙误差。设置这种宽容，例如`1)依照`中，通过使用名称 - 值对参数`依照“GapTolerance”, 1`的`fitcsvm`。
`DeltaGradient`	上部和下部之间违反标量达到梯度差
`DeltaGradientTolerance`	标量容忍上下违反之间的梯度差。设置这种宽容，例如`1)依照`中，通过使用名称 - 值对参数`'DeltaGradientTolerance'，1E-2`的`fitcsvm`。
`LargestKKTViolation`	最大标Karush - 库恩 - 塔克（KKT）违反值。
`KKTTolerance`	标量公差最大的KKT冲突。设置这种宽容，例如，`1 e - 3`中，通过使用名称 - 值对参数`'KKTTolerance'，1E-3`的`fitcsvm`。
`历史`	结构数组包含在一套优化迭代收敛信息。这些字段是： `NumIterations`：迭代指数的数值向量为其软件记录收敛信息 `差距`：的数值向量`差距`在迭代值 `DeltaGradient`：的数值向量`DeltaGradient`在迭代值 `LargestKKTViolation`：的数值向量`LargestKKTViolation`在迭代值 `Num万博1manbetxSupportVectors`：数值向量指示在迭代支持向量的数目万博1manbetx `目的`：的数值向量`目的`在迭代值
`目的`	双目标函数的标量值。

数据类型：结构

`NumIterations`-迭代次数
正整数

此属性是只读的。

通过优化程序以达到收敛所需的迭代次数，指定为正整数。

要设置限制的迭代的数量1000，例如，指定'IterationLimit'，1000当您使用训练SVM分类fitcsvm。

数据类型：双

`ShrinkagePeriod`-迭代的活动集的减少之间的数
非负整数

此属性是只读的。

活动集，指定为一个非负整数的减少之间的迭代次数。

要设置的收缩周期1000，例如，指定'ShrinkagePeriod'，1000当您使用训练SVM分类fitcsvm。

数据类型：单|双

Hyperparameter优化性能

`HyperparameterOptimizationResults`-超参数的交叉验证优化的说明
`BayesianOptimization`目的|表

此属性是只读的。

超参数交叉验证优化的描述，指定为aBayesianOptimization对象或超参数和相关联的值的表。此属性不为空当'OptimizeHyperparameters'的名称 - 值对参数fitcsvm在创建非空。的价值HyperparameterOptimizationResults要看的设置优化在现场HyperparameterOptimizationOptions结构fitcsvm在创建，如在此表中所述。

的价值`优化`领域	的价值`HyperparameterOptimizationResults`
`'bayesopt'`（默认）	类对象`BayesianOptimization`
`'gridsearch'`要么`'randomsearch'`	使用超参数的表，观察到的目标函数值（交叉验证损失），以及观测的秩从最低（最好）至最高（最差）

对象函数

`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

例子

全部收缩

火车SVM分类

开立真实脚本

加载费舍尔的虹膜数据集。卸下萼片长度和宽度以及所有观察到setosa虹膜。

加载fisheriris第1 = ~ strcmp(物种,'setosa'）;X = MEAS（INDS，3：4）;Y =物种（INDS）;

使用处理后的数据集训练SVM分类器。

SVMModel = fitcsvm（X，Y）

SVMModel = ClassificationSVM ResponseName:‘Y’CategoricalPredictors:[]类名:{“癣”“virginica”} ScoreTransform:“没有一个”NumObservations: 100α:[24 x1双]偏见:-14.4149 KernelParameters: [1 x1 struct] BoxConstraints: x1双[100]ConvergenceInfo: [1 x1 struct] IsSupportVector: x1逻辑[100]解算器:SMO的属性,方法万博1manbetx

SVMModel是一个训练有素的ClassificationSVM分类。显示的属性SVMModel。例如，要确定类顺序，使用点符号。

classOrder = SVMModel.ClassNames

classOrder =2×1单元{“癣”}{' virginica '}

第一类（“花斑癣”）为负的类，和第二（“弗吉尼亚”）是正类。您可以通过使用在培训期间更改类订单“类名”名称 - 值对的参数。

绘制数据的散布图，并绕支持向量。万博1manbetx

SV = SVMModel.万博1manbetxSupportVectors;图gscatter（X（：，1），X（：，2），y）的保持上情节（SV（：，1），SV（：，2），'KO'，'MarkerSize'，10）图例（“花斑癣”，“弗吉尼亚”，“万博1manbetx支持向量”）保持离

支持向量万博1manbetx或超出了他们的估计阶级界限发生的观察。

您可以通过使用在培训期间设置框限制来调整边界（和，因此，支持向量的数量）万博1manbetx'BoxConstraint'名称 - 值对的参数。

火车和交叉验证SVM分类

开立真实脚本

加载电离层数据集。

加载电离层

列车和交叉验证的SVM分类器。标准化的预测数据，并指定类的顺序。

RNG（1）;％用于重现CVSVMModel = fitcsvm（X，Y，“标准化”,真的,...“类名”{“b”，‘g’}，'CrossVal'，'上'）

CVSVMModel = classreg.learning.partition.ClassificationPartitionedModel CrossValidatedModel： 'SVM' PredictorNames：{1x34细胞} ResponseName： 'Y' NumObservations：351 KFold：10分区：[1x1的cvpartition]类名：{ 'B' 的 'g'} ScoreTransform：'无”的属性，方法

CVSVMModel是一个ClassificationPartitionedModel交叉验证的SVM分类器。默认情况下，该软件使用10倍交叉验证。

另外，您也可以交叉验证训练的ClassificationSVM通过将其传递给crossval。

检查使用点符号训练的褶皱之一。

CVSVMModel.Trained {1}

ans = classreg.learning.classif。CompactClassificationSVMResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' Alpha: [78x1 double] Bias: -0.2209 KernelParameters: [1x1 struct] Mu: [1x34 double] Sigma: [1x34 double] SupportVectors: [78x34 double] SupportVectorLabels: [78x1 double] Properties, Methods

每个折叠是CompactClassificationSVM分类接受了有关数据的90％。

估计泛化误差。

genError = kfoldLoss（CVSVMModel）

genError = 0.1168

平均而言，泛化误差约为12%。

算法

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 $C$ （看到成本），则软件更新类先验概率p（看到之前）至p_C通过将所描述的惩罚 $C$ 。
特别，fitcsvm完成这些步骤:
1. 计算 $p_{C}^{*} = p “ C 。$
2. 正常化p_C^*使更新后的先验概率总和为1。
  
  $p_{C} = \frac{1}{Σ_{Ĵ = 1}^{ķ} p_{C ， Ĵ}^{*}} p_{C}^{*} 。$
  
  ķ是的类的数量。
3. 将成本矩阵重置为默认值
  
  $C = [\begin{matrix} 0 & 1 \\ 1 & 0 \end{matrix}] 。$
4. 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

${w ^}_{Ĵ}^{*} = \frac{{w ^}_{Ĵ}}{\underset{\forall Ĵ \in 类 ķ}{Σ} {w ^}_{Ĵ}} p_{C ， ķ} 。$

w ^_Ĵ是用于观察的归一化重量Ĵ;p_C，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

$C_{Ĵ} = ñ C_{0} {w ^}_{Ĵ}^{*} 。$

ñ是训练样本大小，C₀在初始框约束（见'BoxConstraint'名称 - 值对参数），和 ${w ^}_{Ĵ}^{*}$ 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（X_Ĵ）使用

$X_{Ĵ}^{*} = \frac{X_{Ĵ} - μ_{Ĵ}^{*}}{σ_{Ĵ}^{*}} 。$

$μ_{Ĵ}^{*} = \frac{1}{\underset{ķ}{Σ} {w ^}_{ķ}^{*}} \underset{ķ}{Σ} {w ^}_{ķ}^{*} X_{Ĵ ķ} 。$
X_JK是观察ķ预测器（行）Ĵ(列)。
${（ σ_{Ĵ}^{*} ）}^{2} = \frac{v_{1}}{v_{1}^{2} - v_{2}} \underset{ķ}{Σ} {w ^}_{ķ}^{*} {（ X_{Ĵ ķ} - μ_{Ĵ}^{*} ）}^{2} 。$
$v_{1} = \underset{Ĵ}{Σ} {w ^}_{Ĵ}^{*} 。$
$v_{2} = \underset{Ĵ}{Σ} {（ {w ^}_{Ĵ}^{*} ）}^{2} 。$
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、……α_ñ，这样

$Σ_{Ĵ = 1}^{ñ} α_{Ĵ} = ñ ν 。$

参考

[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。

扩展功能

C / C ++代码生成
生成使用MATLAB®编码器™C和C ++代码。

使用注意事项和限制：

该预测和更新函数支持代码生成。万博1manbetx
当您使用训练SVM模型fitcsvm，以下限制适用。
- 类别标签输入自变量值（ÿ）不能是分类数组。
- 代码生成不支持分类预测（万博1manbetx合乎逻辑，明确的，烧焦，串,或细胞)。如果您提供的表格训练数据，该预测必须是数字（双要么单)。此外，您不能使用'CategoricalPredictors'名称 - 值对的参数。要在模型分类预测，预处理使用分类预测dummyvar前拟合模型。
- 的价值“类名”名称 - 值对参数不能为一个分类数组。
- 的价值'ScoreTransform'名称 - 值对参数不能匿名函数。对于给定的预测新的观测后验概率生成的代码，通过一个训练的SVM模型来fitPosterior要么fitSVMPosterior。该ScoreTransform返回模型的属性包含一个匿名函数，该函数表示计分到后向概率函数，并为代码生成配置。
- 对于固定点代码生成，的值'ScoreTransform'名称-值对参数不能'invlogit'。

欲了解更多信息，请参阅介绍代码生成。

也可以看看

ClassificationPartitionedModel|CompactClassificationSVM|fitcsvm

ClassificationSVM

描述

创建

属性

SVM属性

Α-训练的分类系数数字矢量

Beta版-线性预测系数数字矢量

偏见-偏项标量

BoxConstraints-箱形约束数字矢量

CacheInfo-缓存的信息结构阵列

Is万博1manbetxSupportVector-万博1manbetx支持向量指示器逻辑向量

KernelParameters-内核参数结构阵列

怒江-看到下面成了学习参数正标量

OutlierFraction-离群的比例数字标

求解-优化程序'ISDA'|'L1QP'|'SMO'

万博1manbetxSupportVectorLabels-万博1manbetx支持向量类标签小号×1数值向量

万博1manbetxSupportVectors-万博1manbetx支持向量小号-通过-p数字矩阵

其他分类属性

CategoricalPredictors-分类预测指标正整数的向量|[]

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-误分类代价数字方阵

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

梯度-训练数据的坡度值数字矢量

ModelParameters-参数用来训练模型结构阵列

亩-预测方法数字矢量|[]

NumObservations-观察数数字标

PredictorNames-预测变量名字符向量的单元阵列

之前-先验概率数字矢量

ResponseName-响应变量名特征向量

RowsUsed-在安装使用的行[]|逻辑向量

ScoreTransform-得分变换特征向量|功能手柄

σ-预测标准差[](默认)|数字矢量

w ^-观察权重一（N，1）(默认)|数字矢量

X-非标准预测数字矩阵|表

ÿ-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

收敛控制属性

ConvergenceInfo-收敛信息结构阵列

NumIterations-迭代次数正整数

ShrinkagePeriod-迭代的活动集的减少之间的数非负整数

Hyperparameter优化性能

HyperparameterOptimizationResults-超参数的交叉验证优化的说明BayesianOptimization目的|表

对象函数

例子

火车SVM分类

火车和交叉验证SVM分类

更多关于

箱约束

格莱姆矩阵

Karush - 库恩 - 塔克互补条件

一类学习

万博1manbetx支持向量

万博1manbetx支持向量机的二元分类

算法

参考

扩展功能

C / C ++代码生成生成使用MATLAB®编码器™C和C ++代码。

也可以看看

主题

介绍了在R2014a

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

`Α`-训练的分类系数
数字矢量

`Beta版`-线性预测系数
数字矢量

`偏见`-偏项
标量

`BoxConstraints`-箱形约束
数字矢量

`CacheInfo`-缓存的信息
结构阵列

`Is万博1manbetxSupportVector`-万博1manbetx支持向量指示器
逻辑向量

`KernelParameters`-内核参数
结构阵列

`怒江`-看到下面成了学习参数
正标量

`OutlierFraction`-离群的比例
数字标

`求解`-优化程序
`'ISDA'`|`'L1QP'`|`'SMO'`

`万博1manbetxSupportVectorLabels`-万博1manbetx支持向量类标签
小号×1数值向量

`万博1manbetxSupportVectors`-万博1manbetx支持向量
小号-通过-p数字矩阵

`CategoricalPredictors`-分类预测指标
正整数的向量|`[]`

`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`-误分类代价
数字方阵

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

`梯度`-训练数据的坡度值
数字矢量

`ModelParameters`-参数用来训练模型
结构阵列

`亩`-预测方法
数字矢量|`[]`

`NumObservations`-观察数
数字标

`PredictorNames`-预测变量名
字符向量的单元阵列

`之前`-先验概率
数字矢量

`ResponseName`-响应变量名
特征向量

`RowsUsed`-在安装使用的行
`[]`|逻辑向量

`ScoreTransform`-得分变换
特征向量|功能手柄

`σ`-预测标准差
`[]`(默认)|数字矢量

`w ^`-观察权重
`一（N，1）`(默认)|数字矢量

`X`-非标准预测
数字矩阵|表

`ÿ`-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

`ConvergenceInfo`-收敛信息
结构阵列

`NumIterations`-迭代次数
正整数

`ShrinkagePeriod`-迭代的活动集的减少之间的数
非负整数

`HyperparameterOptimizationResults`-超参数的交叉验证优化的说明
`BayesianOptimization`目的|表

C / C ++代码生成
生成使用MATLAB®编码器™C和C ++代码。