预测

使用支持向量机分类观测（SVM）分类万博1manbetx

折叠所有页面

句法

标记=预测（SVMModel，X）
[标号，得分=预测（SVMModel，X）

描述

例

标签=预测（SVMModel，X）返回预测类别标签的向量为表或矩阵的预测数据X基于经训练的支持向量机（SVM）分类模型万博1manbetxSVMModel。经过训练的SVM模型可以是全部或紧凑。

例

[标签，得分] =预测（SVMModel，X）也返回分数的矩阵（得分）表示的标签来自特定类的可能性。对于SVM，可能的措施或者是分类评分或类后验概率。对于每个观测X，预测类标签对应的最高得分各阶层中。

例子

全部收缩

开立真实脚本

加载电离层数据集。

加载<小号pan style="color:#A020F0">电离层RNG（1）;<小号pan style="color:#228B22">％用于重现

训练SVM分类器。指定15％的保留样本用于测试，规范的数据，并指定'G'是正课。

CVSVMModel = fitcsvm（X，Y，<小号pan style="color:#A020F0">'坚持'，0.15，<小号pan style="color:#A020F0">“类名”{<小号pan style="color:#A020F0">'B'，<小号pan style="color:#A020F0">'G'}，<小号pan style="color:#0000FF">...“标准化”，真正）;CompactSVMModel = CVSVMModel.Trained {1};<小号pan style="color:#228B22">％提取物训练有素的，紧凑的分类testInds =试验（CVSVMModel.Partition）;<小号pan style="color:#228B22">％提取测试指标XTEST = X（testInds，:);YTest = Y（testInds，:);

CVSVMModel是ClassificationPartitionedModel分类。它包含属性熟练，这是一个1×1单元阵列保持CompactClassificationSVM分类，该软件使用训练集训练。

标记测试样品观察结果。显示用于在测试样品中的前10个观察结果。

[标号，得分=预测（CompactSVMModel，XTEST）;表（YTest（1:10），标签（1:10），分（1：10,2），<小号pan style="color:#A020F0">'VariableNames'，<小号pan style="color:#0000FF">...{<小号pan style="color:#A020F0">'TrueLabel'，<小号pan style="color:#A020F0">'PredictedLabel'，<小号pan style="color:#A020F0">'得分'}）
ANS =<小号pan class="emphasis">10×3的表TrueLabel PredictedLabel分数_________ ______________ ________ { 'B'} { 'B'} {-1.7175 'G'} { 'G'} 2.0001 { 'B'} { 'B'} {-9.6841 'G'} { 'G'} {2.5614 'b'} { 'b'} {-1.5479 'G'} { 'G'} 2.0983 { 'b'} { 'b'} {-2.7013 'b'} { 'b'} {-0.66323'G'} { 'G'} 1.6048 { 'G'} { 'G'} 1.7731
开立真实脚本

标签中使用SVM分类新的观测。

加载电离层数据集。假设最后的10个观察你训练SVM分类后推出。

加载<小号pan style="color:#A020F0">电离层RNG（1）;<小号pan style="color:#228B22">％用于重现N =尺寸（X，1）;<小号pan style="color:#228B22">％训练样本大小isInds = 1：（N-10）;<小号pan style="color:#228B22">％在样本指数oosInds =（N-9）：N;<小号pan style="color:#228B22">％外的样本指数

训练SVM分类器。标准化的数据和指定'G'是正课。节省内存通过降低训练的SVM分类器的大小。

SVMModel = fitcsvm（X（isInds，:)，Y（isInds），<小号pan style="color:#A020F0">“标准化”，真正，<小号pan style="color:#0000FF">...“类名”{<小号pan style="color:#A020F0">'B'，<小号pan style="color:#A020F0">'G'}）;CompactSVMModel =紧凑（SVMModel）;谁是（<小号pan style="color:#A020F0">'SVMModel'，<小号pan style="color:#A020F0">'CompactSVMModel'）
名称大小字节类属性CompactSVMModel的1x1 30314 classreg.learning.classif.CompactClassificationSVM SVMModel的1x1 137414 ClassificationSVM

该CompactClassificationSVM分类（CompactSVMModel）使用比更小的空间ClassificationSVM分类（SVMModel），因为SVMModel存储数据。

估计的最佳成绩 - 后概率的转换功能。

CompactSVMModel = fitPosterior（CompactSVMModel，<小号pan style="color:#0000FF">...X（isInds，:)，Y（isInds））
CompactSVMModel = classreg.learning.classif.CompactClassificationSVM ResponseName： 'Y' CategoricalPredictors：[]类名：{ 'B' 的 'g'} ScoreTransform：“@（S）S形（S，-1.968453e + 00,3.121375e-01）'阿尔法：[88x1双]偏压：-0.2143 KernelParameters：[1x1的结构]穆：[1x34双]西格玛：[1x34双] SupportVectors：[88x34双] SupportVectorL万博1manbetxabels：[88x1双]的属性，方法

最佳得分变换函数（CompactSVMModel.ScoreTransform）是双曲线函数，因为类是分不开的。

预测出的样本标签和正类的后验概率。因为真正的标签可用，比较它们与预测标签。

[标签，PostProbs] =预测（CompactSVMModel，X（oosInds，:)）;表（Y（oosInds），标签，PostProbs（：，2），<小号pan style="color:#A020F0">'VariableNames'，<小号pan style="color:#0000FF">...{<小号pan style="color:#A020F0">'TrueLabels'，<小号pan style="color:#A020F0">'PredictedLabels'，<小号pan style="color:#A020F0">'PosClassPosterior'}）
ANS =<小号pan class="emphasis">10×3的表TrueLabels PredictedLabels PosClassPosterior __________ _______________ _________________ { 'G'} { 'G'} 0.98419 { 'G'} { 'G'} 0.95545 { 'G'} { 'G'} 0.67794 { 'G'} { 'G'} 0.94447{ 'G'} { 'G'} 0.98744 { 'G'} { 'G'} 0.92481 { 'G'} { 'G'} 0.9711 { 'G'} { 'G'} 0.96986 { 'G'} {'G'} 0.97803 { 'G'} { 'G'} 0.94361

PostProbs是一个10×2矩阵，其中第一列是负类后验概率，而第二列是对应于新的观测的正类后验概率。

输入参数

全部收缩

SVM分类模型，指定为ClassificationSVM模型对象或CompactClassificationSVM模型对象通过返回fitcsvm要么紧凑， 分别。

预测器数据要被分类，指定为数字矩阵或表。

每行X对应于一个观测，并且每一列对应于一个变量。

  • 对于数字矩阵：

    • 在列变量X必须具有相同的顺序预测变量，经过训练，SVMModel。

    • 如果你训练的SVMModel使用表（例如，TBL）和TBL包含所有的数字预测变量，然后X可以是数字矩阵。为了治疗在数字预测TBL培训期间分类，通过识别分类预测CategoricalPredictors的名称 - 值对参数fitcsvm。如果TBL含有异构预测变量（例如，数字和分类数据类型），并且X是一个数值矩阵，则预测抛出一个错误。

  • 对于表：

    • 预测不支持多变量和除字万博1manbetx符向量的单元阵列的其他单元阵列。

    • 如果你训练的SVMModel使用表（例如，TBL），那么所有的预测变量X必须具有相同的变量名和数据类型，那些训练有素SVMModel（存储在SVMModel.PredictorNames）。然而，列顺序X并不需要对应的列顺序TBL。也，TBL和X可以包含额外的变量（响应变量，观测的权重，等等），但预测忽略它们。

    • 如果你训练的SVMModel使用数字矩阵，然后在预测名称SVMModel.PredictorNames和相应的预测器变量名中X必须是相同的。训练过程中指定的预测名称，请参阅PredictorNames的名称 - 值对参数fitcsvm。所有的预测变量中X必须为数字向量。X可以包含额外的变量（响应变量，观测的权重，等等），但预测忽略它们。

如果设置“标准化”，真在fitcsvm培训SVMModel，那么软件标准化的列X利用在相应的装置SVMModel.Mu和标准偏差SVMModel.Sigma。

数据类型：表|双|单

输出参数

全部收缩

预测类别标签，返回作为分类或字符阵列，逻辑或数字载体，或字符向量的单元阵列。

标签具有相同的数据类型作为观察类别标签（ÿ），经过训练，SVMModel的，其长度等于行的数量X。<小号pan>（该软件把字符串数组作为字符向量的单元阵列。）

对于一类学习，标签是在所观察到的类别标签所表示的一类。

预测类分数要么后验概率，返回作为数字列向量或数字矩阵。

  • 对于一类学习，得分是具有相同的行数作为观测的列向量（X）。的元素得分是对针对相应观测的正级得分。你不能获得一个一流的学习后验概率。

  • 对于两班学习，得分是具有相同的行数为两列的矩阵X。

    • 如果您在使用适合的最佳成绩 - 后概率转换功能fitPosterior要么fitSVMPosterior， 然后得分包含一流的后验概率。也就是说，如果价值SVMModel.ScoreTransform不是没有，然后的第一和第二列得分包含负类（SVMModel.ClassNames {1}）和阳性类（SVMModel.ClassNames {2}）后验概率为相应的观察，分别。

    • 否则，第一列包含负级得分和第二列包含对应观测的正级得分。

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

F （ X ） = （ X / 小号 ） “ β + b 。

SVMModel商店β，b和小号在属性Beta版，偏压和KernelParameters。规模， 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SVMModel.Mu和标准偏差SVMModel.Sigma，然后由内核规模划分结果SVMModel.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SVMModel.KernelParameters.Function不是“线性”， 然后Beta版是空的 （[]）。

更多关于

全部收缩

分类评分

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<小号pan class="inlineequation"> F （ X ） 是训练的SVM分类功能。<小号pan class="inlineequation"> 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<小号pan class="inlineequation"> （ α 1 ， ... ， α ñ ， b ） 是所估计的SVM的参数，<小号pan class="inlineequation"> 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（X<小号ub>Ĵ，X）=X<小号ub>Ĵ“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。

后验概率

该后验概率是，观察属于一个特定类，给定数据的概率。

对于SVM，后验概率是得分的函数P（小号）是观察Ĵ在类ķ= {-1,1}。

  • 对于可分离类，后验概率是阶梯函数

    P （ 小号 Ĵ ） = { 0 ; 小号 < 最大 ÿ ķ = - 1 小号 ķ π ; 最大 ÿ ķ = - 1 小号 ķ ≤ 小号 Ĵ ≤ 分 ÿ ķ = + 1 小号 ķ 1 ; 小号 Ĵ > 分 ÿ ķ = + 1 小号 ķ ，

    哪里：

    • 小号<小号ub>Ĵ是观察得分Ĵ。

    • +1和-1表示正和负的类，分别。

    • π是先验概率的观察是在正类。

  • 对于不可分割类，后验概率是S形函数

    P （ 小号 Ĵ ） = 1 1 + EXP （ 一个 小号 Ĵ + 乙 ） ，

    其中参数一个和乙是斜率和截距参数，分别。

先验概率

该先验概率一类是与从该类观测发生在一个群体中的信相对频率。

提示

  • 如果您使用的分类线性SVM模型和模型有很多支持向量，然后使用万博1manbetx预测对于预测方法可能是缓慢的。为了基于线性SVM模型有效地分类观察，通过使用删除模型对象支持向量万博1manbetxdiscard万博1manbetxSupportVectors。

算法

  • 默认情况下，也不论模型核函数，MATLAB<小号up>®使用得分函数基于训练的SVM模型分类意见的双重代表性，特别是

    F ^ （ X ） = Σ Ĵ = 1 ñ α ^ Ĵ ÿ Ĵ G （ X ， X Ĵ ） + b ^ 。

    该预测方法需要训练支持向量和万博1manbetxα系数（见万博1manbetxSupportVectors和Α在SVM模型的属性）。

  • 默认情况下，软件将计算最佳的使用普氏法的后验概率[1]：

    1. 执行10倍交叉验证。

    2. 符合双曲线函数参数，从交叉验证返回的分数。

    3. 通过输入交叉验证分数入拟合S形函数估计的后验概率。

  • 软件培训期间包含在SVM目标函数先验概率。

  • 对于SVM，预测和resubPredict分类观测到类得到最大得分（最大后验概率）。该软件占误分类成本由训练分类之前以平均成本修正。也就是说，给定类之前矢量P，误判成本矩阵C，和观察权重向量w ^时，软件定义观察权重的新载体（w ^），使得

    w ^ Ĵ = w ^ Ĵ P Ĵ Σ ķ = 1 ķ C Ĵ ķ 。

参考

[1]普拉特，J。“概率输出用于支持向量机和比较，以正则似然方法”。万博1manbetx在大间隔分类进展。麻省理工学院出版社，1999年，61-74页。

扩展功能

也可以看看

|<小号pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">|<小号pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">|<小号pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">|<小号pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">|<小号pan itemscope itemtype="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">

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

掌握机器学习：有步骤，分步指南与MATLAB

下载电子书