文档帮助中心
纠错输出编码学习模板
T = templateECOC()
T = templateECOC(名称,值)
例子
t= templateECOC()返回纠错输出编码(ECOC)分类学习者模板。
t= templateECOC()
t
如果指定一个默认模板,则软件使用默认值在训练期间的所有输入参数。
t= templateECOC (名称,值)返回与由一个或多个名称值对参数中指定的附加选项的模板。
t= templateECOC (名称,值)
名称,值
例如,您可以指定编码设计,是否适合后验概率,或二进制学习器的类型。
如果显示t在命令窗口中,所有选项显示为空([]),除非使用名称-值对参数指定。在培训期间,软件对空选项使用默认值。
[]
全部收缩
用templateECOC创建一个默认的ECOC模板。
templateECOC
T =用于分类ECOC拟合模板。BinaryLearners: '' 编码: '' FitPosterior:[]选项:[] VerbosityLevel:[] NumConcurrent:[]版本:1方法: 'ECOC' 类型: '分类'
模板对象的所有属性,除了空方法和类型。当你通过t至testckfold,该软件填补了各自的默认值的空属性。例如,该软件填补了BinaryLearners与财产'SVM'。有关其他默认值的详细信息,请参阅fitcecoc。
方法
类型
testckfold
BinaryLearners
'SVM'
fitcecoc
t是的ECOC学习计划。当你创建它,没有发生计算。你可以通过t至testckfold指定的ECOC分类模型与其他模型统计比较的计划。
选择预测器或特性的一种方法是训练两个模型,其中一个模型使用预测器的子集来训练另一个模型。统计上比较模型的预测性能。如果有足够的证据表明,使用较少预测器的模型比使用较多预测器的模型运行得更好,那么您就可以使用更有效的模型。
加载Fisher的虹膜数据集。绘制所有预测因子的二维组合。
负载fisheririsd =尺寸(测量,2);预测的数量%对= combnk (1: d, 2);图;为j = 1:大小(对,1);次要情节(3 2 j);gscatter(量(:,对(j, 1)),量(:,对(j, 2)),物种);包含(sprintf ('MEAS(:,%d)'双(j, 1)));ylabel (sprintf ('MEAS(:,%d)',双(J,2)));传说离;结束
根据散点图,MEAS(:,3)和MEAS(:,4)看起来他们分开组好。
MEAS(:,3)
MEAS(:,4)
创建ECOC模板。指定要使用的一个抗所有编码设计。
T = templateECOC('编码','onevsall');
默认情况下,ECOC模型使用线性SVM二进制学习者。您可以通过使用指定他们选择其他的,支持的算法万博1manbetx“学习者”名称-值对的论点。
“学习者”
测试仅使用预测器3和4训练的ECOC模型是否最多能像使用所有预测器训练的ECOC模型一样执行。拒绝这个无效假设意味着使用预测器3和4训练的ECOC模型比使用所有预测器训练的ECOC模型性能更好。假设 C 1 表示使用预测器3和4和ECOC模型的分类误差训练 C 2 表示使用所有预测训练ECOC模型的分类错误,那么测试是:
H 0 : C 1 ≥ C 2 H 1 : C 1 < C 2
默认,testckfold进行5×2k-折F测试,这是不适合作为单尾检验。指定进行5×2k-折t测试。
RNG(1);%用于重现并[h,p值= testckfold(T,T,MEAS(:,双(1,:)),MEAS,物种,...“另类”,“更大”,'测试','5x2t')
H =逻辑0
pValue = 0.8940
的h = 0表明没有足够的证据表明,该模型预测使用3和4比使用所有预测训练模型更精确的训练。
h = 0
的可选逗号分隔对名称,值参数。名称参数名和值是对应的值。名称必须出现引号内。您可以按照任何顺序指定多个名称和值对参数名1,值1,...,NameN,值N。
名称
值
名1,值1,...,NameN,值N
'编码', 'ternarycomplete', 'FitPosterior',真正的 '学生', '树'
'编码'
'onevsone'
'allpairs'
'binarycomplete'
'denserandom'
'onevsall'
“顺序”
'sparserandom'
“ternarycomplete”
编码设计名称,指定为逗号分隔对所组成的'编码'以及一个数字矩阵或表中的值。
-1
1
0
您还可以指定使用自定义编码矩阵编码设计。自定义编码矩阵是K-通过-l矩阵。每一行对应一个类,每一列对应一个二进制学习者。类order (rows)对应于in中的order一会。通过遵循这些原则构成的矩阵:
一会
自定义编码矩阵的每个元素都必须是-1,0, 要么1,和的值必须对应于二分类别指派。此表描述的含义编码(I,J),也就是类学习者j受让人在课堂观察我。
编码(I,J)
j
我
每一列必须至少包含一个-1要么1。
对于所有列索引我,j这样我≠j,编码(:,我)不能等于编码(:,j)和编码(:,我)不能等于-Coding(:,j)的。
编码(:,我)
编码(:,j)
-Coding(:,j)的
自定义编码矩阵的所有行必须是不同的。
有关自定义编码设计矩阵形式的更多详细信息,请参阅自定义编码设计矩阵。
例:“编码”、“ternarycomplete”
“编码”、“ternarycomplete”
数据类型:烧焦|串|双|单|INT16|INT32|Int64的|INT8
烧焦
串
双
单
INT16
INT32
Int64的
INT8
“FitPosterior”
假
真正
标志指示是否分数变换后验概率,指定为逗号分隔的一对组成的“FitPosterior”和真正(1) 要么假(0)。
如果FitPosterior是真正,然后该软件将二值学习分类分数转换为后验概率。你可以通过使用kfoldPredict,预测, 要么resubPredict。
FitPosterior
kfoldPredict
预测
resubPredict
fitcecoc不支持,如果装修后万博1manbetx验概率:
整体方法是AdaBoostM2,LPBoost,RUSBoost,RobustBoost, 要么TotalBoost。
AdaBoostM2
LPBoost
RUSBoost
RobustBoost
TotalBoost
二进制学习者(学习者)是实现支持向量机的线性或核分类模型。为了获得线性或核分类模型的后验概率,使用logistic回归代替。
学习者
例:'FitPosterior',真
'FitPosterior',真
数据类型:逻辑
逻辑
“鉴别”
'核心'
“资讯”
“线性”
'naivebayes'
'树'
二进制学习者模板,指定为逗号分隔的一对组成的“学习者”和字符向量,串标量,模板对象,或模板对象的细胞载体。具体来说,您可以指定二元分类,如SVM和歌舞团在使用GentleBoost,LogitBoost和RobustBoost,以解决多类问题。然而,fitcecoc还支持多类万博1manbetx车型的二元分类。
GentleBoost
LogitBoost
如果学习者是一个字符向量或标量的字符串,然后使用指定的算法的默认值的软件训练每个二进制学习者。此表总结了可用的算法。
templateDiscriminant
templateKernel
templateKNN
templateLinear
templateNaiveBayes
templateSVM
templateTree
如果学习者是一个模板对象,然后每个二进制学习者根据存储的选项进行训练。你可以创建一个模板对象使用:
templateDiscriminant,用于判别分析。
templateEnsemble,用于整体学习。你必须至少指定学习方法(方法)、学习者人数(n了解),以及学习者的类型(学习者)。你不能使用AdaBoostM2对于二进制学习方法合奏。
templateEnsemble
n了解
templateKernel,内核分类。
templateKNN,因为k最近的邻居。
templateLinear用于线性分类。
templateNaiveBayes为朴素贝叶斯。
templateSVM支持向量机。
templateTree,对于分类树。
如果学习者是模板对象,然后的细胞载体:
细胞j对应二进制学习者j(换句话说,列j的编码设计矩阵),且单元向量必须有长度l。l是在编码设计矩阵的列数。有关详细信息,请参阅编码。
编码
要使用一个内置的损失函数进行预测,那么所有二进制学习者必须返回一个在相同范围内的分数。例如,不能在默认的朴素贝叶斯二进制学习器中包含默认的SVM二进制学习器。前者返回一个范围内的分数(-∞,∞),后者返回一个后验概率作为分数。否则,您必须提供一个自定义丢失作为诸如此类函数的函数句柄预测和失利。
失利
不能用任何其他模板指定线性分类模型学习者模板。
类似地,您不能用任何其他模板指定内核分类模型学习者模板。
默认情况下,该软件使用培训默认SVM模板学习者。
例:“学习者”,“树”
“学习者”,“树”
ECOC分类模板,作为模板对象返回。通过t至testckfold指定如何创建ECOC分类要与其他分类比较其预测性能。
如果显示t在命令窗口,那么所有,未指定的选项显示为空([])。然而,软件培训期间替换它们相应的默认值空选项。
ClassificationECOC|designecoc|fitcecoc|预测|templateDiscriminant|templateEnsemble|templateKNN|templateSVM|templateTree|testckfold
ClassificationECOC
designecoc
这个例子的修改版本的系统上存在。你要打开这个版本呢?
您点击了对应于以下MATLAB命令的链接:
在MATLAB命令窗口中输入它运行的命令。Web浏览器不支持MATLAB的命令。万博1manbetx
选择一个网站,以获得翻译的内容,其中可看到当地的活动和优惠。根据您的位置,我们建议您选择:。
您还可以选择从下面的列表中的网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
请联系您当地的办事处