文档帮助中心
查找由resubstitution支持向量机(SVM)分类分级利万博1manbetx润率
米= resubMargin(SVMModel)
例
米= resubMargin(SVMModel)返回resubstitution分类利润率(米)为支持向量机(SV万博1manbetxM)分类SVMModel使用存储在训练数据SVMModel.X和存储在相应的类别标签SVMModel.Y。
米
SVMModel
SVMModel.X
SVMModel.Y
米返回为一个数值向量具有相同的长度ÿ。该软件估计,每个条目米用训练SVM分类SVMModel中,相应的行X,而真正的类标签ÿ。
ÿ
X
全部收缩
加载电离层数据集。
电离层
加载电离层
训练SVM分类器。标准化的数据和指定'G'是正课。
'G'
SVMModel = fitcsvm(X,Y,“类名”{'B','G'},“标准化”,真正);
SVMModel是ClassificationSVM分类。
ClassificationSVM
估计样品中分类的利润率。
米= resubMargin(SVMModel);米(10:20)
ANS =11×15.5618 4.2918 1.9996 4.5519 -1.4895 3.2814 4.0258 4.5419 16.4436 2.0005⋮
观察余量是所观察到的(真)类得分减去最大假类得分中相应的类中的所有分数中。能产生相对大的边缘分类器是优选的。
从多个模型比较样品中,利润率执行特征选择。仅仅基于这一比较,最高的利润模型是最好的模型。
加载电离层数据集。定义两组数据:
fullX包含所有预测器(除0的所移除的列)。
fullX
partX包含最后20个预测。
partX
加载电离层fullX = X;partX = X(:,端-20:端);
火车SVM分类的每个预测集。
FullSVMModel = fitcsvm(fullX,Y);PartSVMModel = fitcsvm(partX,Y);
估计该样品中,页边距为每个分类器。
fullMargins = resubMargin(FullSVMModel);partMargins = resubMargin(PartSVMModel);N =尺寸(X,1);P =总和(fullMargins
p值= 0.2251
大约从完整模型的边缘的22%小于那些由具有较少预测模型。这表明,所有预测训练模型更好。
全面,训练有素的SVM分类,指定为ClassificationSVM模型的培训fitcsvm。
fitcsvm
该边缘是的加权平均分类利润率。
权重是事先类概率。如果你提供的权重,那么软件标准化他们总结的先验概率在各自所属类别。该软件使用重正化的权重来计算加权平均。
多个分类中的一种方式进行选择,例如,进行特征选择,是选择产生最高边缘分类。
该分类极限用于二元分类,对每个观察,分类评分为真类和分类评分为假类之间的差。
软件定义的分类极限的二元分类为
米 = 2 ÿ F ( X ) 。
X是一个观察。如果真正标签X是正课,然后ÿ是1,并且否则返回-1。F(X)是正类别分类分值观察X。分类余量通常被定义为米=ÿF(X)。
如果利润率是相同的规模,那么他们作为分类置信度。在多个分类,那些产生更大的利润更好。
该SVM分类评分对于分类观察X从符号距离X在决策边界,从-∞到+∞。一类正分表明,X被预测为在该类中。负分另有指示。
正类分类评分 F ( X ) 是训练的SVM分类功能。 F ( X ) 也是数值,预测响应X或分数预测X进入正类。
F ( X ) = Σ Ĵ = 1 ñ α Ĵ ÿ Ĵ G ( X Ĵ , X ) + b ,
哪里 ( α 1 , ... , α ñ , b ) 是所估计的SVM的参数, G ( X Ĵ , X ) 介于两者之间的预测空间的点积X和支承载体,以及万博1manbetx总和包括在训练集的意见。负类分类评分X或分数预测X成阴性类,是 -F(X)。
如果G(XĴ,X)=XĴ“X(线性内核),则该得分函数简化为
F ( X ) = ( X / 小号 ) “ β + b 。
小号是内核和规模β是线性拟合系数的矢量。
有关详细信息,请参阅理解支持向量机万博1manbetx。
对于二元分类,软件定义观察保证金Ĵ,米Ĵ作为
米 Ĵ = 2 ÿ Ĵ F ( X Ĵ ) ,
哪里ÿĴε{-1,1},和F(XĴ)是观察预测分数Ĵ对于正类。然而,米Ĵ=ÿĴF(XĴ)通常用于定义裕度。
[1] 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。
ClassificationSVM|CompactClassificationSVM|fitcsvm|余量|resubEdge|resubLoss
CompactClassificationSVM
余量
resubEdge
resubLoss
这个例子的修改版本的系统上存在。你要打开这个版本呢?
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
选择一个网站,以获得翻译的内容,其中可看到当地的活动和优惠。根据您的位置,我们建议您选择:。
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。
请联系您当地的办事处