CompactClassificationsVM.

用于一类和二类分万博1manbetx类的紧凑支持向量机(SVM)

描述

CompactClassificationsVM.是支持向量机(SVM)分类器的精简版本。万博1manbetx紧凑分类器不包括用于训练SVM分类器的数据。因此，您不能使用紧凑分类器执行一些任务，例如交叉验证。使用紧凑的SVM分类器进行任务，比如预测新数据的标签。

创建

创建一个CompactClassificationsVM.从充分培训的模型分类VM.分类器通过使用袖珍的．

属性

全部展开

SVM属性

`α`-训练有素的分类器系数
数值向量

此属性是只读的。

训练有素的分类器系数，指定为一个S.- 1号数字矢量。S.是培训分类器中的支持向量的数量，万博1manbetx总和(Mdl.IsS万博1manbetxupportVector)．

α包含从双重问题的训练的分类器系数，即估计的拉格朗日乘法器。如果使用使用的删除重复项删除的名称-值对参数fitcsvm.然后，对于一种支持向量的给定的一组重复观察，万博1manbetxα包含一个系数对应于整个集合。也就是说,MATLAB^®将一个非零系数归为一组重复数据中的一个观测值，并将系数归为0.对所有其他重复的观测结果。

数据类型:单|双

`β`-线性预测系数
数值向量

此属性是只读的。

线性预测器系数，指定为数字向量。长度β等于用于训练模型的预测器数量。

MATLAB利用全虚拟编码扩展预测数据中的类别变量。也就是说，MATLAB为每个类别变量的每一级创建一个虚拟变量。β存储每个预测变量的一个值，包括虚拟变量。例如，如果有三个预测器，其中一个是一个与三个级别的分类变量，然后β是一个包含5个值的数字向量。

如果elkelparameters.function.是“线性”，对观察结果进行分类评分X是

$F （ X ） = （ X / S. ）' β + B. ．$

Mdl商店β那B.,S.在属性β那偏见,KernelParameters。规模，分别。

要手动估计分类分数，您必须首先对培训期间应用的预测器数据应用任何转换。具体来说，如果你指定'标准化'，真实当使用fitcsvm.，然后你必须使用平均值手工标准化预测数据Mdl。μ和标准偏差mdl.sigma.，然后将结果除以kernel scale inmdl.kernelparameters.scale.．

所有SVM功能，如重新预订和预测，在评估之前应用任何必需的转换。

如果elkelparameters.function.不是“线性”，然后β是空的([])．

数据类型:单|双

`偏见`-偏见术语
标量

此属性是只读的。

偏置项，用标量表示。

数据类型:单|双

`内核参数`-内核参数
结构阵列

此属性是只读的。

内核参数，指定为结构数组。内核参数属性包含该表中列出的字段。

场地	描述
函数	内核函数用于计算元素克矩阵．有关详细信息，请参阅`“KernelFunction”`．
规模	内核比例参数用于缩放培训模型的预测器数据的所有元素。有关详细信息，请参阅`“KernelScale”`．

显示值内核参数，使用点表示法。例如，mdl.kernelparameters.scale.显示内核比例参数值。

软件接受内核参数作为输入，而不修改它们。

数据类型:塑造

`万博1manbetxSupportVectorLabels`-万博1manbetx支持矢量类标签
S.-1号数字矢量

此属性是只读的。

万博1manbetx支持向量类标签，指定为S.- 1号数字矢量。S.是培训分类器中的支持向量的数量，万博1manbetx总和(Mdl.IsS万博1manbetxupportVector)．

价值＋1在万博1manbetxSupportVectorLabels表示对应的支持向量在正类中(万博1manbetx一会{2})．价值1表示对应的支持向量在负类中(万博1manbetx一会{1})．

如果使用使用的删除重复项删除的名称-值对参数fitcsvm.然后，对于一种支持向量的给定的一组重复观察，万博1manbetx万博1manbetxSupportVectorLabels包含一个唯一的支持向量标签。万博1manbetx

数据类型:单|双

`万博1manbetxSupportVectors`-万博1manbetx支持向量
S.-经过-P.数字矩阵

此属性是只读的。

万博1manbetx训练分类器中的支持向量，指定为S.-经过-P.数字矩阵。S.是培训分类器中的支持向量的数量，万博1manbetx总和(Mdl.IsS万博1manbetxupportVector),P.是预测器数据中的预测器变量的数量。

万博1manbetxSupportVectors包含预测器数据的行XMATLAB认为是支持向量。万博1manbetx如果您指定'标准化'，真实在训练SVM分类器时使用fitcsvm.，然后万博1manbetxSupportVectors的标准化行X．

如果使用使用的删除重复项删除的名称-值对参数fitcsvm.然后，对于一种支持向量的给定的一组重复观察，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

`分类预测器`-分类预测指标
正整数矢量|`[]`

此属性是只读的。

分类预测指标，指定为一个正整数的向量。分类预测器包含与包含分类预测器的预测器数据列对应的索引值。如果没有一个预测符是分类的，则此属性为空([])．

数据类型:双

`Classnames.`-独特的类标签
分类阵列|字符数组|逻辑向量|数值向量|字符向量的单元数组

此属性是只读的。

训练中使用的唯一类标签，指定为分类或字符数组、逻辑或数字向量或字符向量的单元数组。Classnames.具有与类标签相同的数据类型y．（该软件将字符串数组视为字符向量的单元格阵列。）Classnames.还决定了类的顺序。

数据类型:单|双|逻辑|char|细胞|分类

`成本`-错误分类成本
数字方形矩阵

此属性是只读的。

错误分类代价，指定为一个数值方阵，其中成本(i, j)把一个点分类到班级的成本是多少j如果它的真类是一世．

在培训期间，软件通过结合成本矩阵中描述的惩罚来更新先前概率。

对两种学习,成本总是有这个形式：成本（i，j）= 1如果我〜= j,成本（i，j）= 0如果我= J.．行对应于真实类，列对应于预测类。行和列的顺序成本对应于类的顺序Classnames.．
看到下面成了学习,成本= 0.．

更多信息请参见算法．

数据类型:双

`ExpandedPredictorNames.`-扩大了预测的名字
字符向量的单元数组

此属性是只读的。

扩展的预测器名称，指定为字符向量的单元格数组。

如果模型使用虚拟变量编码的虚拟变量，那么ExpandedPredictorNames.包括描述展开变量的名称。否则,ExpandedPredictorNames.和预测．

数据类型:细胞

`μ`-预测方法
数值向量|`[]`

此属性是只读的。

Predictor的意思是，指定为一个数字向量。如果您指定“标准化”,1或'标准化'，真实当你使用fitcsvm.，然后是长度μ等于预测器的数量。

MATLAB利用全虚拟编码扩展预测数据中的类别变量。也就是说，MATLAB为每个类别变量的每一级创建一个虚拟变量。μ存储每个预测变量的一个值，包括虚拟变量。但是，MATLAB不标准化包含分类变量的列。

如果你设置'标准化'，假使用时使用SVM分类器fitcsvm.，然后μ为空向量([])．

数据类型:单|双

`预测`-预测器变量名称
字符向量的单元数组

此属性是只读的。

预测器变量名称指定为字符向量的单元格数组。元素的顺序预测对应于预测器名称在训练数据中出现的顺序。

数据类型:细胞

`之前`-先验概率
数值向量

此属性是只读的。

每个类的先验概率，指定为一个数字向量。元素的顺序之前对应于元素Mdl。Classnames.．

对于两班学习，如果指定成本矩阵，则软件通过结合成本矩阵中描述的惩罚来更新先前概率。

更多信息请参见算法．

数据类型:单|双

`scoretransform.`-分数转换
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.表示用于转换预测分类分数的内置变换函数或功能手柄。

将分数转换函数更改为函数，例如，使用点符号。

对于内置函数，输入一个字符向量。

Mdl。ScoreTransform = '函数'

该表描述了可用的内置函数。

价值	描述
`“doublelogit”`	1 /（1 +E.^2X）
`'invlogit'`	日志(X/ (1 -X）)
`“ismax”`	将得分最高的班级的分数设为1，并将所有其他班级的分数设为0
`'logit'`	1 /（1 +E.^-X）
`'没有任何'`或`“身份”`	X(转换)
`'符号'`	1X< 0 为0X= 0. 1X> 0
`“对称”`	2X- 1
`'ymmetricismax'`	将具有最大分数为1的类设置分数，并将所有其他类的分数设置为-1
`'symmetriclogit'`	2 / (1 +E.^-X） - 1

对于MATLAB函数或定义的函数，请输入其功能句柄。
```
Mdl。ScoreTransform = @函数;
```
函数必须接受一个矩阵(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:char|function_handle.

`σ`-预测标准偏差
`[]`(默认)|数值向量

此属性是只读的。

预测标准偏差，指定为数字矢量。

如果您指定'标准化'，真实使用时使用SVM分类器fitcsvm.，然后是长度σ等于预测变量的个数。

MATLAB利用全虚拟编码扩展预测数据中的类别变量。也就是说，MATLAB为每个类别变量的每一级创建一个虚拟变量。σ存储每个预测变量的一个值，包括虚拟变量。但是，MATLAB不标准化包含分类变量的列。

如果你设置'标准化'，假使用时使用SVM分类器fitcsvm.，然后σ为空向量([])．

数据类型:单|双

对象功能

`compareHoldout`	使用新数据比较两个分类模型的精度
`丢弃普罗斯韦普万博1manbetx罗斯韦`	抛弃支持向量机的万博1manbetx线性支持向量机分类器
`边缘`	为支持向量机(SVM)分类器寻找分类边缘万博1manbetx
`fitPosterior`	适合紧凑型支架向量机（SVM）分类器的后验概率万博1manbetx
`incrementalLearner`	将二进制分类支持向量机（SVM）模型转换为增量学习者万博1manbetx
`酸橙`	本地可解释模型 - 不可知的解释（石灰）
`损失`	寻找支持向量机(SVM)分类器的分类错误万博1manbetx
`保证金`	查找支持向量机（SVM）分类器的分类边距万博1manbetx
`部分竞争`	计算部分依赖
`plotPartialDependence`	创建部分依赖图（PDP）和个人有条件期望（ICE）情节
`预测`	使用支持向量机分类器对观测结果进行分类万博1manbetx
`福芙`	沙普利值
`更新`	更新代码生成的模型参数

例子

全部折叠

减少SVM分类器的大小

打开生活的脚本

通过移除训练数据来减少全支持向量机(SVM)分类器的万博1manbetx大小。完整的SVM分类器(即分类VM.分类器)保存训练数据。为了提高效率，使用一个较小的分类器。

加载电离层数据集。

加载电离层

训练一个SVM分类器。标准化预测器数据并指定类的顺序。

svmmodel = fitcsvm（x，y，'标准化',真的,．..'classnames', {“b”那‘g’}）

SVMModel = ClassificationSVM ResponseName:‘Y’CategoricalPredictors:[]类名:{b ' g '} ScoreTransform:“没有一个”NumObservations: 351α:[90 x1双]偏见:-0.1343 KernelParameters: [1 x1 struct]μ:σ[1 x34双]:[1 x34双]BoxConstraints: x1双[351]ConvergenceInfo: [1 x1 struct] IsSupportVector: x1逻辑[351]解算器:万博1manbetxSMO的属性,方法

SVMModel是一个分类VM.分类器。

减小SVM分类器的大小。

CompactSVMModel =紧凑(SVMModel)

compacttsvmmodel = CompactClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' Alpha: [90x1 double] Bias: -0.1343 KernelParameters: [1x1 struct] Mu: [1x34 double] Sigma: [1x34 double]万博1manbetx SupportVectors: [90x34 double] SupportVectorLabels: [90x1 double]属性，方法

CompactSvmModel.是一个CompactClassificationsVM.分类器。

显示每个分类器使用的内存量。

谁是（“SVMModel”那“CompactSVMModel”）

名称大小字节类属性compactsvmmodel 1x1 31058 classReg.Learning.Classif.comPactClassificsVM SVMModel 1x1 141148类别VM

完整的SVM分类器（SVMModel）比Compact SVM分类器大超过四倍（CompactSvmModel.)．

为了有效地标记新的观察结果，您可以删除SVMModel从MATLAB®工作空间，然后通过CompactSvmModel.新的预测值预测．

为了进一步减小Compact SVM分类器的大小，请使用丢弃普罗斯韦普万博1manbetx罗斯韦函数丢弃支持向量。万博1manbetx

训练和交叉验证SVM分类器

打开生活的脚本

加载电离层数据集。

加载电离层

列车并交叉验证SVM分类器。标准化预测器数据并指定类的顺序。

RNG（1）;重复性的％CVSVMModel = fitcsvm (X, Y,'标准化',真的,．..'classnames', {“b”那‘g’}，'横向'那'上'）

CVSVMModel = classiationpartitionedmodel CrossValidatedModel: 'SVM' PredictorNames: {1x34 cell} ResponseName: 'Y' nummobservations: 351 KFold: 10 Partition: [1x1 cvpartition] ClassNames: {'b' 'g'} ScoreTransform: 'none'属性，方法

cvsvmmodel.是一个ClassificationPartitionedModel交叉验证的SVM分类器。默认情况下，软件实现10倍交叉验证。

或者，您可以交叉验证训练分类VM.分类器传递它横梁．

使用点符号检查经过训练的折叠之一。

CVSVMModel。训练有素的{1}

ANS = CompactClassificationsVM RecordingAme：'Y'类分类：[] ClassNames：{'B''G'} ScorEtransform：'无'Alpha：[78x1 Double]偏置：-0.2209内核参数：[1x1 struct] mu：[1x34双] sigma：[1x34双]支持Vector万博1manbetxs：[78x34双] SupportSVectorLabels：[78x1双]属性，方法

每个折叠都是一个CompactClassificationsVM.分类器培训了90％的数据。

估计泛化误差。

generror = kfoldloss（cvsvmmodel）

genError = 0.1168

平均而言，泛化误差约为12%。

参考

hatie, T.， R. Tibshirani和J. Friedman。统计学习的要素,第二版。纽约:施普林格,2008年。

肖克普夫、肖肖-泰勒、A. J.斯莫拉和R. C.威廉姆森。“估算高维分布的支持度”万博1manbetx神经计算．第13卷，第7期，2001年，第1443-1471页。

[3]克里斯蒂安尼尼，N.和J. C.肖-泰勒。支持向量机和基于内核的学习方法的介绍万博1manbetx．剑桥，英国：剑桥大学出版社，2000年出版社。

B. Scholkopf，和A. Smola。学习与核:支持向量机，正则化，优化和超越，自适万博1manbetx应计算和机器学习。剑桥，马：2002年的麻省理工学院新闻。

扩展功能

C / C ++代码生成
使用MATLAB®Coder™生成C和c++代码。

用法说明和限制:

这预测和更新函数支持代码生成。万博1manbetx
将SVM分类模型的预测集成到Simulink中万博1manbetx^®，你可以使用ClassificationSVM预测在统计和机器学习工具箱™库或MATLAB函数块与预测功能。
使用使用时培训SVM模型fitcsvm.，适用以下限制。
- 的价值“ScoreTransform”名称-值对参数不能为匿名函数。为了生成代码来预测给定的新观测结果的后验概率，将一个训练好的SVM模型传递给fitPosterior或fitSVMPosterior．这scoretransform.返回模型的属性包含一个匿名函数，该函数表示后向概率得分函数，并被配置为用于代码生成。
- 对于定点代码生成，则“ScoreTransform”名称值对参数不能'invlogit'．同样的“KernelFunction”名称-值对参数必须为“高斯”那“线性”,或多项式的．
- 对于具有编码器配置器的固定点代码生成和代码生成，适用以下附加限制。
  - 分类预测因子（逻辑那分类那char那字符串,或细胞)不支持。万博1manbetx你不能使用'pationoricalpricictors'名称值参数。要在模型中包含分类预测器，可以使用戴维尔在拟合模型之前。
  - 类标签分类不支持数据类型。万博1manbetx培训数据中的类标签值都是标签值（TBL.或y)的值'classnames'名称-值参数不能是带有分类数据类型。

有关更多信息，请参阅代码生成简介．

也可以看看

分类VM.|袖珍的|丢弃普罗斯韦普万博1manbetx罗斯韦|fitcsvm.

话题

介绍了R2014a

CompactClassificationsVM.

描述

创建

属性

SVM属性

`α`-训练有素的分类器系数
数值向量

`β`-线性预测系数
数值向量

`偏见`-偏见术语
标量

`内核参数`-内核参数
结构阵列

`万博1manbetxSupportVectorLabels`-万博1manbetx支持矢量类标签
S.-1号数字矢量

`万博1manbetxSupportVectors`-万博1manbetx支持向量
S.-经过-P.数字矩阵

其他分类属性

`分类预测器`-分类预测指标
正整数矢量|`[]`

`Classnames.`-独特的类标签
分类阵列|字符数组|逻辑向量|数值向量|字符向量的单元数组

`成本`-错误分类成本
数字方形矩阵

`ExpandedPredictorNames.`-扩大了预测的名字
字符向量的单元数组

`μ`-预测方法
数值向量|`[]`

`预测`-预测器变量名称
字符向量的单元数组

`之前`-先验概率
数值向量

`scoretransform.`-分数转换
特征向量|功能手柄

`σ`-预测标准偏差
`[]`(默认)|数值向量

对象功能

例子

减少SVM分类器的大小

训练和交叉验证SVM分类器

参考

扩展功能

C / C ++代码生成
使用MATLAB®Coder™生成C和c++代码。

也可以看看

话题

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

CompactClassificationsVM.

描述

创建

属性

SVM属性

α-训练有素的分类器系数数值向量

β-线性预测系数数值向量

偏见-偏见术语标量

内核参数-内核参数结构阵列

万博1manbetxSupportVectorLabels-万博1manbetx支持矢量类标签S.-1号数字矢量

万博1manbetxSupportVectors-万博1manbetx支持向量S.-经过-P.数字矩阵

其他分类属性

分类预测器-分类预测指标正整数矢量|[]

Classnames.-独特的类标签分类阵列|字符数组|逻辑向量|数值向量|字符向量的单元数组

成本-错误分类成本数字方形矩阵

ExpandedPredictorNames.-扩大了预测的名字字符向量的单元数组

μ-预测方法数值向量|[]

预测-预测器变量名称字符向量的单元数组

之前-先验概率数值向量

scoretransform.-分数转换特征向量|功能手柄

σ-预测标准偏差[](默认)|数值向量

对象功能

例子

减少SVM分类器的大小

训练和交叉验证SVM分类器

参考

扩展功能

C / C ++代码生成使用MATLAB®Coder™生成C和c++代码。

也可以看看

话题

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

`α`-训练有素的分类器系数
数值向量

`β`-线性预测系数
数值向量

`偏见`-偏见术语
标量

`内核参数`-内核参数
结构阵列

`万博1manbetxSupportVectorLabels`-万博1manbetx支持矢量类标签
S.-1号数字矢量

`万博1manbetxSupportVectors`-万博1manbetx支持向量
S.-经过-P.数字矩阵

`分类预测器`-分类预测指标
正整数矢量|`[]`

`Classnames.`-独特的类标签
分类阵列|字符数组|逻辑向量|数值向量|字符向量的单元数组

`成本`-错误分类成本
数字方形矩阵

`ExpandedPredictorNames.`-扩大了预测的名字
字符向量的单元数组

`μ`-预测方法
数值向量|`[]`

`预测`-预测器变量名称
字符向量的单元数组

`之前`-先验概率
数值向量

`scoretransform.`-分数转换
特征向量|功能手柄

`σ`-预测标准偏差
`[]`(默认)|数值向量

C / C ++代码生成
使用MATLAB®Coder™生成C和c++代码。