线性分类学习模板
templateLinear
该模板指定二进制学习者模型,正规化的种类和强度,以及解算器,等等。创建模板后,通过将模板和数据模型进行训练fitcecoc
最佳实践是确定预测器矩阵的方向,以便观察值与列对应并指定'ObservationsIn', '列'
如果预测数据是高维的,为了更好的优化精度 其他组合可能导致较差的优化精度。正则化
“岭”
求解
“新元”
'asgd'
'双'
学习者
“支持向量机”
{ 'SGD', 'lbfgs'}
{ 'asgd', 'lbfgs'}
{ '双', 'lbfgs'}
学习者
“支持向量机”
为了更好的优化精度,如果预测数据是通过中度低维和正则化
“岭”
求解
“蓄热”
如果正则化
'套索'
求解
“新元”
'asgd'
'sparsa'
{ 'SGD', 'sparsa'}
{ 'asgd', 'sparsa'}
当SGD和ASGD之间进行选择,考虑以下因素: SGD在每次迭代中花费的时间更少,但是需要更多的迭代来收敛。 ASGD需要更少的迭代来收敛,但是在每个迭代中花费更多的时间。
如果预测数据有一些意见,但许多预测变量,则: 指定 对于SGD或ASGD解算器,集
“PostFitBias”,真的
PassLimit
对于SGD和ASGD解算器, 如果 如果BATCHSIZE
BATCHSIZE
BATCHSIZE
高学习率(参见LearnRate
如果正则化
'套索'
TruncationPeriod
TruncationPeriod
1
10
One hundred.
为了提高效率,该软件没有标准化的预测数据。以规范的预测数据( 该代码要求您定向预测和观察的行和列X
X = bsxfun (@rdivide bsxfun (@minus X,意味着(X, 2)),性病(0,2));
X
[1]谢,C.J.,K. W.昌,C.J。林,S. S. Keerthi,和S. Sundararajan。“A双坐标为大规模线性SVM下降法。”
兰福德,J.,李L.,张T.“通过截断梯度的稀疏在线学习。”
[3] Nocedal,J。和S. J.怀特。
[4]沙莱夫-Shwartz,S.,Y.歌手和N. Srebro。“Pegasos机器:原始子估计梯度求解的SVM。”
[5]莱特,S. J.,R.D。诺瓦克和M. A. T.菲格雷。“稀疏重建的可分离逼近。”
[6]肖,林。“双平均方法为正则随机学习和在线优化。”
[7]徐卫。“争取最优的一个通行证大规模学习与场均随机梯度下降。”