主要内容

回归排放性的svm.

包:ClassReg.Learning.Partition.
超类:回归排放性的模型

交叉验证的支持向量机回归模型万博1manbetx

全部展开页面

描述

回归排放性的svm.是在交叉验证褶皱上训练的万博1manbetx一组支持向量机(SVM)回归模型。

建设

cvmdl.= crossval (MDL.）返回交叉验证的（分区）支持向量机回归模型，万博1manbetxcvmdl.，来自训练有素的SVM回归模型，MDL.．

cvmdl.= crossval (MDL.，名称，价值）返回交叉验证的模型，其中包含一个或多个指定的其他选项名称，价值对参数。的名字也可以是属性名和价值为对应值。的名字必须出现在单引号内(''）。您可以以任何顺序指定多个名称值对参数Name1, Value1,…,的家．

输入参数

展开全部

完整培训的SVM回归模型，指定为a回归vm.返回的模型fitrsvm．

特性

展开全部

分类预测指标，指定为一个正整数向量。分类预测器包含指示对应的预测器是分类的索引值。索引值在1到之间p， 在哪里p是用于训练模型的预测器数量。如果没有预测器都是分类的，则此属性是空的（[]）。

数据类型：单|双倍的

交叉验证模型的名称，存储为字符向量。

数据类型：char

交叉验证折叠数，存储为正整数值。

数据类型：单|双倍的

交叉验证参数，存储为对象。

训练数据中观测值的个数，存储为正整数。

数据类型：单|双倍的

交叉验证的数据分区，存储为aCVPartition.对象。

预测器名称，存储为字符向量的单元格数组，其中包含每个预测器的名称，按它们出现的顺序排列X．PredictorNames长度等于列的数量X．

数据类型：细胞

响应变量名称，存储为字符向量。

数据类型：char

响应转换函数，规定为'没有任何'或功能手柄。ResponseTransform介绍软件如何转换原始响应值。

对于matlab.®函数或您定义的函数，输入其函数句柄。例如，输入mdl.responsetransform = @功能， 在哪里功能接受原始响应的数字向量，并返回大小相同的数字向量，其中包含转换后的响应。

数据类型：char|function_handle

训练过的，紧凑的回归模型，存储为单元阵列compactregressionsvm.模型。

数据类型：细胞

观测权值用于训练模型，存储为包含的数值向量NumObservation元素数量。fitrsvm将用于训练的权重归一化，使其总和为1。

数据类型：单|双倍的

如果模型在矩阵上培训，则用于训练模型的预测值，作为数值矩阵，或者如果模型在表上培训。X有规模n-经过-p， 在哪里n是行数和吗p为训练数据中预测变量或列的数量。

数据类型：单|双倍的|桌子

观察到的响应用于交叉验证模型，该模型指定为包含的数值向量NumObservations元素。

每一排Y的对应行所观察到的分类X．

数据类型：单|双倍的

对象功能

kfoldLoss 交叉验证的分割回归模型的损失
Kfoldpredict 在交叉验证的回归模型中预测观察的反应
kfoldfun. 回归的交叉验证功能

例子

全部收缩

此示例显示如何使用交叉验证的SVM回归模型crossval．

本例使用了来自UCI机器学习库的鲍鱼数据。下载数据并将其保存在当前目录中'abalone.data'．将数据读入桌子．

tbl =可读取的（'abalone.data'，“文件类型”，“文本”，'readvariablenames'、假);rng默认的%的再现性

样本数据包含4177个观察结果。所有预测变量都是连续的，除了性，这是一种具有可能值的分类变量“米”（对于男性），'F'（为女性），和'一世'(婴儿)。他们的目标是预测鲍鱼身上环的数量，从而通过物理测量来确定鲍鱼的年龄。

使用具有等于2.2的内核刻度的高斯内核功能列出SVM回归模型。标准化数据。

mdl = fitrsvm（tbl，“Var9”，'骨箱'，“高斯”，'kernelscale'，2.2，'标准化',真正的);

MDL.是一个培训回归vm.回归模型。

采用10倍交叉验证对模型进行交叉验证。

CVMdl = crossval (mdl)
CVMdl = classreg.learning.partition.RegressionPartitionedSVM CrossValidatedModel: 'SVM' PredictorNames: {1x8 cell} CategoricalPredictors: 1 ResponseName: 'Var9' NumObservations: 4177 KFold: 10 Partition: [1x1 cvpartition] ResponseTransform: 'none'属性，方法

cvmdl.是A.回归排放性的svm.旨在回归模型。软件:

1.将数据随机分成10个大小相等的集合。

2.训练一个支持向量机回归模型在十组中的九组。

3.重复步骤1和2k= 10.次了。它每次都省略一个分区，并对其他九个分区进行训练。

4.将普遍统计组合每个折叠。

显示10个培训型号中的第一个。

firstmodel = cvmdl.tromed {1}
FirstModel = classreg.learning.regr.CompactRegressionSVM PredictorNames:{1×8细胞}ResponseName:“Var9”ResponseTransform:‘没有’α:[3553 x1双]偏见:11.0623 KernelParameters: [1 x1 struct]μ:[0 0 0 0.5242 0.4080 0.1393 0.8300 0.3599 0.1811 0.2392]σ:[1 1 1 0.1205 0.0995 0.0392 0.4907 0.2217 0.1103 0.1392]SupportVectors:万博1manbetx[3553x10 double]属性，方法

FirstModel10人中第一个受过训练吗compactregressionsvm.模型。

此示例显示了如何指定培训交叉验证的SVM回归模型的阻止比例。

本例使用了来自UCI机器学习库的鲍鱼数据。下载数据并将其保存在当前目录中'abalone.data'．将数据读入桌子．

tbl =可读取的（'abalone.data'，“文件类型”，“文本”，'readvariablenames'、假);rng默认的%的再现性

样本数据包含4177个观察结果。所有预测变量都是连续的，除了性，这是一种具有可能值的分类变量“米”（对于男性），'F'（为女性），和'一世'(婴儿)。他们的目标是预测鲍鱼身上环的数量，从而通过物理测量来确定鲍鱼的年龄。

使用具有等于2.2的内核刻度的高斯内核功能列出SVM回归模型。标准化数据。

mdl = fitrsvm（tbl，“Var9”，'骨箱'，“高斯”，'kernelscale'，2.2，'标准化',真正的);

MDL.是一个培训回归vm.回归模型。

交叉验证回归模型指定10%的坚持样本。

CVMdl = crossval (mdl,“坚持”, 0.1)
CVMdl = classreg.learning.partition.RegressionPartitionedSVM CrossValidatedModel: 'SVM' PredictorNames: {1x8 cell} CategoricalPredictors: 1 ResponseName: 'Var9' NumObservations: 4177 KFold: 1 Partition: [1x1 cvpartition] ResponseTransform: 'none'属性，方法

cvmdl.是A.回归排放性的svm.模型对象。

从中提取并显示训练，紧凑的SVM回归模型cvmdl.．

CVMdl。训练有素的{1}
TrousoModel = ClassReg.Learning.regr.compactregressionsvm预测0.3595 0.1805 0.2386] Sigma：[1 1 0.1198 0.0989 0.0388 0.4891 0.2218 0.1093 0.180 0.109万博1manbetx3 0.1390]支持Vectors：[3530x10双]属性，方法

TrainedModel是A.compactregressionsvm.使用90％的数据培训的回归模型。

选择

您可以创建回归排放性的svm.模型使用以下技术:

  • 使用训练功能fitrsvm并指定其中一个'横向'，“坚持”，'kfold',或'忽略'名称值对。

  • 使用模型使用fitrsvm，然后使用crossval方法。

  • 使用。创建交叉验证分区CVPartition.，然后将结果分区对象传递给fitrsvm在训练中使用'cvpartition'名称值对。

参考文献

[1]纳什，W.J.，T.L.L.L.卖家，S.R.Talbot，A. J. Cawthorn和W. B. B. Ford。“塔斯马尼亚鲍鱼（Haliotis）的人口生物学。I. Blacklip鲍鱼（H. Rubra.)从北海岸和巴斯海峡群岛。”海洋渔业司，技术报告第48号，1994年。

[2]沃,S。串级相关的扩展和基准:前馈监督人工神经网络的串级相关体系结构和基准的扩展。塔斯马尼亚大学计算机科学系毕业论文, 1995年。

克拉克，D.， Z. Schreter, A. Adams。《Dystal和Backpropagation的定量比较》提交给澳大利亚神经网络会议，1996年。

[4] Lichman, M。UCI机器学习知识库[http://archive.ics.uci.edu/ml]。加州欧文:加州大学信息与计算机科学学院。

另请参阅

|||

介绍了R2015b

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习:一步一步的指导与MATLAB

掌握机器学习:一步一步的指导与MATLAB

下载电子书