ClassificationPartitionedECOC
交叉验证的多类ECOC模型支持向量机（SVM）等分类万博1manbetx
描述
ClassificationPartitionedECOC是一组经过交叉验证的折叠训练的错误校正输出码(ECOC)模型。使用一个或多个“kfold”函数估计交叉验证分类的质量:kfoldPredict,kfoldLoss,kfoldMargin,kfoldEdge,kfoldfun。
每个受训的“kfold”方法使用模型训练倍（以倍），观察到预测进行验证倍（超出倍）观察的响应。例如，假设您使用5重交叉验证。在这种情况下，软件随机分配各观察分成五组相同大小（大约）的。该培训褶皱包含四个组(大约4/5的数据)，以及验证倍包含另一组(大约是数据的1/5)。在这种情况下，交叉验证的过程如下:
该软件训练的第一款车型（存储在
CVMdl.Trained {1})，使用后四组的观察结果，并保留第一组的观察结果以供验证。软件训练第二种模型(存储在
CVMdl.Trained {2})，利用第一组及后三组的观察资料。软件将观察结果保存在第二组中以备验证。软件在第三、第四和第五种模型中以类似的方式进行。
如果验证通过使用kfoldPredict，该软件计算在组观测预测我通过使用我TH模型。总之，软件估计通过使用而没有观察训练的模型中的每个观察响应。
创建
您可以创建一个ClassificationPartitionedECOC模型有两种方式：
属性
对象的功能
kfoldEdge |
交叉验证的ECOC模型的分类边缘 |
kfoldLoss |
对于交叉验证ECOC模型分类损失 |
kfoldMargin |
交叉验证的ECOC模型的分类裕度 |
kfoldPredict |
对交叉验证的ECOC模型中的观测结果进行分类 |
kfoldfun |
使用交叉验证的ECOC模型的交叉验证功能 |
例子
旨在ECOC分类器
用支持向量机二值学习器对ECOC分类器进行交叉验证，并估计广义分类误差。
加载Fisher虹膜数据集。指定预测数据X和响应数据Y。
负载fisheririsX =量;Y =物种;rng (1);％用于重现
创建一个SVM模板，并对预测器进行标准化。
T = templateSVM（“标准化”,真正的)
T =用于分类SVM拟合模板。阿尔法：为0x1双] BoxConstraint：[] CacheSize的：[] CachingMethod： '' ClipAlphas：[] DeltaGradientTolerance：[]小量：[] GapTolerance：[] KKTTolerance：[] IterationLimit：[] KernelFunction： '' KernelScale：[]KernelOffset：[] KernelPolynomialOrder：[] NumPrint：[]女：[] OutlierFraction：[] RemoveDuplicates：[] ShrinkagePeriod：[]求解： '' StandardizeData：1个SaveSupportVectors：万博1manbetx[] VerbosityLevel：[]版本：2所述的方法：“SVM'类型：‘分类’
t为SVM模板。大多数模板对象属性都是空的。在训练ECOC分类器时，软件将适用的属性设置为默认值。
训练ECOC分类，并指定类的顺序。
Mdl = fitcecoc (X, Y,“学习者”，T，...“类名”,{'setosa',“多色的”,“弗吉尼亚”}）;
Mdl是ClassificationECOC分类器。您可以使用点符号访问它的属性。
旨在Mdl使用10倍交叉验证。
CVMdl = crossval (Mdl);
CVMdl是ClassificationPartitionedECOC交叉验证的ECOC分类器。
估计广义分类错误。
genError = kfoldLoss（CVMdl）
genError = 0.0400
广义分类误差为4%，说明ECOC分类器具有较好的泛化能力。
加快训练速度ECOC量词使用分档和并行计算
使用火车一抗所有ECOC分类GentleBoost决策树与代理分割的集成。为了加速训练，bin数值预测器和使用并行计算。只有在以下情况下才有效fitcecoc使用树形学习者。训练后，使用10倍交叉验证估计分类误差。注意，并行计算需要并行计算工具箱™。
加载示例数据
装入并检查心律失常数据集。
负载心律失常[N，P] =尺寸（X）
n = 452
P = 279
isLabels =独特(Y);nLabels =元素个数(isLabels)
nLabels = 13
汇总(分类(Y))
值计数百分比1 245 54.20％2 44 9.73％3 15 3.32％4 15 3.32％5 13 2.88％6 25 5.53％7 3 0.66％8 2 0.44％9 9 1.99％10 50 11.06％14 4 0.88％15 5 1.11％16 22 4.87％
数据集包含279预测因子，和样本容量452相对较小。在16个不同标签中，只有13个在回应中出现(Y)。每个标签描述不同程度的心律失常，54.20%的观察结果在课堂上进行1。
训练单一对所有ECOC分类器
创建一个合奏的模板。您必须指定至少三个参数：一个方法，许多学习者，和学习者的类型。在这个例子中，指定“GentleBoost”该方法，One hundred.以及一个决策树模板，该决策树模板使用代理分割，因为存在缺失的观察结果。
tTree = templateTree（“代孕”,“上”);tEnsemble = templateEnsemble（“GentleBoost”，100，tTree）;
tEnsemble是模板对象。它的大多数属性是空的，但是软件在训练时用默认值填充它们。
使用决策树的集合作为二进制学习器来训练一个对所有的ECOC分类器。为了加快训练速度，可以使用并行计算。
分档（
'NumBins'，50） - 当你有一个大的训练数据集，可以加快使用培训（精度可能减少）'NumBins'名称 - 值对的参数。该参数才有效fitcecoc使用树形学习者。如果你指定'NumBins'值，然后软件将每个数值预测器放入指定数量的等概率箱子中，然后在箱子索引(而不是原始数据)上生长树。你可以试着'NumBins'，50第一，然后更改'NumBins'值取决于精度和训练速度。并行计算（
'选项'，statset（ 'UseParallel'，真）） - 用一个并行计算工具箱许可证，则可以加快通过使用并行计算，它发送每个二进制学习者到池中一个工人的计算。工人的数量取决于您的系统配置。当您使用决策树二进制学习者，fitcecoc使用英特尔线程构建模块（TBB）为双核系统和上述平行化的训练。因此，指定“UseParallel”选项不是一台计算机上有帮助。使用群集此选项。
另外，指定先验概率为1/K，其中K= 13是不同的类的数量。
选项= statset（“UseParallel”,真正的);Mdl = fitcecoc (X, Y,“编码”,'onevsall',“学习者”tEnsemble,...“在此之前”,'制服','NumBins',50岁,“选项”、选择);
使用“本地”配置文件启动并行池(parpool)…连接到并行池(worker数量:6)。
Mdl是ClassificationECOC模型。
交叉验证
交叉验证使用10倍交叉验证的ECOC分类器。
CVMdl = crossval (Mdl,“选项”、选择);
警告：一个或多个折叠没有从所有组中包含了点。
CVMdl是ClassificationPartitionedECOC模型。该警告表明，当软件至少进行了一次训练时，有些类没有被表示出来。因此，这些折叠不能预测缺失类的标签。您可以使用单元索引和点表示法检查折叠的结果。例如，通过输入来访问第一个折叠的结果CVMdl.Trained {1}。
使用交叉验证的ECOC分类器来预测验证折叠标签。你可以使用confusionchart。通过更改内部位置属性移动图表并调整其大小，以确保百分比显示在行摘要中。
oofLabel = kfoldPredict（CVMdl，“选项”、选择);ConfMat = confusionchart (Y, oofLabel,'RowSummary',“total-normalized”);ConfMat。InnerPosition = [0.10 0.12 0.85 0.85];
重现离散化数据
利用BinEdges训练模型的性质和离散化函数。
X = Mdl.X;%的预测数据Xbinned =零（大小（X））;边缘= Mdl.BinEdges;％查找分级预测的指标。idxNumeric =找到（〜cellfun（@的isEmpty，边缘））;如果iscolumn(idxNumeric) = idxNumeric';结束为idxNumeric x = x (:，j);%将x转换为数组，如果x是一个表。如果istable（X）X = table2array（X）;结束％组通过使用离散化函数X到箱中。xbinned =离散化(x,[无穷;边缘{};正]);Xbinned (:, j) = Xbinned;结束
Xbinned包含二进制位索引，取值范围为1到箱柜的数目，对于数值预测因子。Xbinned值是0分类预测。如果X包含南s，则相应Xbinned值是南年代。
介绍了R2014b
您也可以从以下列表中选择网站:
