主要内容

简历

恢复培训支持向量机（SVM）分类万博1manbetx器

页面上倒塌

语法

updatedsvmmmodel = resume（svmmodel，numiter）
UpdatedSVMModel =简历(SVMModel numIter、名称、值)

描述

示例

updatedsvmmodel.=简历(SVMModel那numIter）返回一个更新的支持向量机分类器万博1manbetxupdatedsvmmodel.通过训练SVM分类器SVMModel对于numIter更多的迭代。就像SVMModel，更新后的SVM分类器为ClassificationSVM分类器。

简历继续应用设置的培训选项SVMModel受过训练fitcsvm．

示例

updatedsvmmodel.=简历(SVMModel那numIter那名称,值）回报updatedsvmmodel.具有一个或多个名称值对参数指定的其他选项。例如，您可以指定详细级别。

例子

全部折叠

打开生活的脚本

训练一个支持向量机分类器，故意使求解器不能收敛到一个解。然后继续训练分类器，而不需要重新开始整个学习过程。

加载电离层数据集。

负载电离层rng (1);%的再现性

训练SVM分类器。指定优化例程最多使用50次迭代。

svmmodel = fitcsvm（x，y，'iterationlimit', 50);DidConverge = SVMModel.ConvergenceInfo.Converged
DidConverge =逻辑0.
原因= svmmodel.convergenceInfo.ReasonforConvergence.
原因= ' NoConvergence '

DIDCONVERGE = 0.表示优化程序不收敛到一个解。原因规定了常规没有收敛的原因。因此，SVMModel是一个部分训练的SVM分类器。

继续训练SVM分类器1500迭代。

UpdatedSVMModel =简历(SVMModel, 1500);DidConverge = UpdatedSVMModel.ConvergenceInfo.Converged
DidConverge =逻辑1
原因= updatedsvmmodel.convergenceInfo.ReasonforConvergence.
原因='deltagradient'

DidConverge表示优化程序会聚在解决方案上。原因表示梯度差(临时称为)达到容许水平(DeltaGradientTolerance）.因此，SVMModel是一个完全训练的SVM分类器。

打开生活的脚本

训练一个支持向量机分类器，故意使求解器不能收敛到一个解。然后继续训练分类器，而不需要重新开始整个学习过程。比较部分训练分类器和完全训练分类器的再替换损失值。

加载电离层数据集。

负载电离层

训练SVM分类器。指定优化例程以最多100个迭代使用。监视指定软件每种算法打印诊断信息的算法50.迭代。

svmmodel = fitcsvm（x，y，'iterationlimit'，100，“详细”, 1“NumPrint”, 50);
|===================================================================================================================================| | 迭代| |集合大小| |可行性三角洲|马| | |目标约束的数量  | | | | | 违反梯度差距| | | Vec增刊。| |违反  | |===================================================================================================================================| | 0 |活动| 351 | 9.971591 e-01 e + 00 | 2.000000 | 1.000000 e + e + 00 00 | 0 | 0.000000 | 0.000000 e + 00 | | 351 | |活跃e-01 | 8.064425 | 3.736929 e + 2.161317 e + 00 00 | | 60 e + 01 | -3.628863 | 5.551115 e-17 |支持向量机优化没有收敛到要求的公差。

该软件打印一个迭代显示到命令窗口。打印输出表明优化程序没有收敛到一个解。

估计部分训练的SVM分类器的再替换损失。

partialLoss = resubLoss (SVMModel)
partialLoss = 0.1197

训练样本错误分类误差约为12％。

恢复另一个培训分类器1500迭代。指定软件打印诊断信息250.迭代。

updatedsvmmodel = resume（svmmodel，1500，“NumPrint”, 250)
|===================================================================================================================================| | 迭代| |集合大小| |可行性三角洲|马| | |目标约束的数量  | | | | | 违反梯度差距| | | Vec增刊。| |违反  | |===================================================================================================================================| | 250 |活动| 351 | 2.097627 e-01 e + 00 | 1.965259 | 1.211407 e + 00 | 102 | -7.577701 e + 01 | 1.956768 e15汽油| | 500 | |活跃351 | 3.625797 e 03 e-02 | 9.547707 | 5.710587 e-02 | 103 | -7.819434 e + 01 |2.337974 e15汽油| | 750 | |活跃351 e-04 | 5.810633 | 2.683463 e-02 e-02 | 1.500555 | 103 | -7.820914 e + 01 e15汽油2.724383 | | | 1000 | |活跃351 e-05 | 7.464431 | 2.218816 e 03 e 03 | 1.276094 | 103 | -7.820958 e + 01 e15汽油2.277258 | | | 1067 | |活跃351 e-05 | 4.748866 | 9.882221 e-04 e-04 | 5.178619 | 103 | -7.820959 e + 01 e15汽油2.257309 | |退出激活集由于DeltaGradient收敛。
updatedsvmmodel = classificationsvm contractename：'y'patporicalpricictors：[] classNames：{'B''G'} ScorEtransform：'无'NumObServations：351 Alpha：[103x1 Double]偏置：-3.8827内核参数：[1x1 struct] boxconstraints：[351x1DOUBLE] CONFORGENGEINFO：[1x1 struct] iss万博1manbetxupportVector：[351x1逻辑]求解器：'smo'属性，方法

软件恢复迭代1000使用与训练模型时相同的冗余级别fitcsvm．打印输出表明算法收敛。因此，updatedsvmmodel.是一个训练有素的ClassificationSVM分类器。

updatedLoss = resubLoss (UpdatedSVMModel)
updatedLoss = 0.0769

完全训练分类器的训练样本错误分类误差约为8％。

输入参数

全部折叠

完整，培训的SVM分类器，指定为aClassificationSVM模型训练有素fitcsvm．

继续训练SVM分类器的迭代次数，指定为正整数。

数据类型:双

名称-值对的观点

指定可选的逗号分隔的对名称,值参数。名称参数名和价值为对应值。名称必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:简历（SVMModel，500，'verbose'，2）火车SVMModel对于500更多的迭代，并指定在每个迭代中显示诊断消息和保存收敛标准。

详细程度，指定为逗号分隔对，由“详细”和0.那1或者2．详细的控制命令窗口中显示的优化信息量并保存为结构SVMModel.ConvergenceInfo.History．

该表总结了详细级别的值。

价值 描述
0. 软件不显示、不保存汇聚信息。
1 该软件显示诊断消息并保存每个汇总标准Numprint.迭代,Numprint.价值是多少“NumPrint”名称值对参数。
2 该软件显示诊断消息并在每次迭代时保存收敛条件。

默认情况下,详细的是fitcsvm用来训练SVMModel．

例子:'verbose'，1

数据类型:单身

诊断消息打印输出之间的迭代次数，指定为逗号分隔对组成“NumPrint”和一个非负整数。

如果你设置'verbose'，1和'numprint'，Numprint.，然后该软件显示来自SMO的所有优化诊断消息［1］和ISDA[2]每一个Numprint.在命令窗口中的迭代。

默认情况下,Numprint.是fitcsvm用来训练SVMModel．

例子:'numprint'，500

数据类型:单身

提示

如果优化不收敛，求解器为'smo'或'ISDA'，然后尝试恢复培训SVM分类器。

参考文献

[1]风扇，R.-e.，P.-h。陈和C.-J.林。“使用用于培训支持向量机的二阶信息的第二个订单信息进行工作选择。”万博1manbetx机床学习研究，卷。6，2005，第1889-1918。

凯克曼V.， T. -M。和M. Vogt。从大数据集训练核机的迭代单数据算法:理论与性能万博1manbetx支持向量机:理论与应用．王力波主编，255-274。柏林:斯普林格出版社,2005年版。

扩展能力

另请参阅

|

介绍了R2014a

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习：使用MATLAB逐步指南

掌握机器学习：使用MATLAB逐步指南

下载电子书