このページの翻訳は最新ではありません。ここをクリックして,英語の最新版を参照してください。
k最近傍分類器テンプレート
は学習アンサンブルあるいはECOC(誤り訂正出力符号)マルチクラスモデルの学習に適した资讯(k最近傍)学習テンプレートを返します。t
= templateKNN ()
既定のテンプレートを指定する場合,学習中のすべての入力引数には既定値が使用されます。
t
をfitcensemble
またはfitcecoc
の学習器として指定します。
関数fitcensemble
で使用するために,既定の設定以外のk最近傍テンプレートを作成します。
フィッシャーのアヤメのデータセットを読み込みます。
负载fisheriris
5つの最近傍探索のテンプレートを作成し,予測子の標準化を指定をします。
t = templateKNN (“NumNeighbors”5,“标准化”, 1)
t =适合分类KNN的模板。NumNeighbors: 5 NSMethod: " Distance: " BucketSize: " IncludeTies: [] DistanceWeight: [] BreakTies: [] Exponent: [] Cov: [] Scale: [] standarzedata: 1 Version: 1 Method: 'KNN' Type: 'classification'
NumNeighbors
、方法
StandardizeData
および类型
を除き,テンプレートオブジェクトのすべてのプロパティは空です。t
を学習器として指定する場合,空のプロパティはそれぞれの既定値で入力されます。
t
をアンサンブル分類の弱学習器として指定します。
Mdl = fitcensemble(量、种类、“方法”,“子”,“学习者”t);
標本内(再代入)誤分類誤差を表示します。
L = resubLoss (Mdl)
L = 0.0600
関数fitcecoc
で使用するために,既定の設定以外のk最近傍テンプレートを作成します。
フィッシャーのアヤメのデータセットを読み込みます。
负载fisheriris
5つの最近傍探索のテンプレートを作成し,予測子の標準化を指定をします。
t = templateKNN (“NumNeighbors”5,“标准化”, 1)
t =适合分类KNN的模板。NumNeighbors: 5 NSMethod: " Distance: " BucketSize: " IncludeTies: [] DistanceWeight: [] BreakTies: [] Exponent: [] Cov: [] Scale: [] standarzedata: 1 Version: 1 Method: 'KNN' Type: 'classification'
NumNeighbors
、方法
StandardizeData
および类型
を除き,テンプレートオブジェクトのすべてのプロパティは空です。t
を学習器として指定する場合,空のプロパティはそれぞれの既定値で入力されます。
t
をECOCマルチクラスモデルのバイナリ学習器として指定します。
Mdl = fitcecoc(量、种类、“学习者”t);
既定の設定では,Mdl
は,対1の符号化設計を使用の学習が実行されます。
標本内(再代入)誤分類誤差を表示します。
L = resubLoss (Mdl,“LossFun”,“classiferror”)
L = 0.0467
オプションの名称,值
引数のコンマ区切りペアを指定します。的名字
は引数名で,价值
は対応する値です。的名字
は引用符で囲まなければなりません。Name1, Value1,…,的家
のように,複数の名前と値のペアの引数を,任意の順番で指定できます。
“NumNeighbors”4“距离”,“闵可夫斯基”
は,ミンコフスキー距離計量を使用して,4最近傍分類器テンプレートを指定します。
BreakTies
- - - - - -タイブレークアルゴリズム“最小”
(既定値) |“最近的”
|“随机”
複数のクラスで最小コストが同じである場合に预测
メソッドで使用されるタイブレークアルゴリズム。“BreakTies”
と以下のいずれかで構成されるコンマ区切りのペアとして指定します。
“最小”
——同順位グループの中で最小インデックスを使用します。
“最近的”
——同順位グループの中で最近傍のあるクラスを使用します。
“随机”
——同順位グループの中でランダムなタイブレーカーを使用します。
既定では,同順位はK
最近傍の中で同じ数の最近傍点を複数のクラスがもつときに発生します。
例:“BreakTies”,“最近”
BucketSize
- - - - - -ノード内のデータ点の最大的数50
(既定値) |正の整数値kdツリーの葉ノード内のデータ点の最大的数。“BucketSize”
と正の整数値で構成されるコンマ区切りのペアとして指定します。この引数は,NSMethod
が“kdtree”
の場合にのみ意味があります。
例:“BucketSize”,40岁
データ型:单
|双
浸
- - - - - -共分散行列X (X, omitrows)
(既定値) |スカラー値の正定値行列共分散行列。“浸”
と,マハラノビス距離の計算時の共分散行列を表すスカラー値の正定値行列で構成される,コンマ区切りのペアとして指定します。この引数は,“距离”
が“mahalanobis”
の場合にのみ有効です。
“标准化”
および“规模”
または“浸”
のいずれかを同時に指定できません。
データ型:单
|双
距离
- - - - - -距離計量“cityblock”
|“chebychev”
|“相关”
|的余弦
|“欧几里得”
|“汉明”
|関数ハンドル|……距離計量。“距离”
と有効な距離計量名または関数ハンドルから構成されるコンマ区切りのペアとして指定します。使用できる距離計量名は,近傍探索法の選択(NSMethod
を参照)によって決まります。
NSMethod |
距離計量名 |
---|---|
详尽的 |
ExhaustiveSearcher の任意の距離計量 |
kdtree |
“cityblock” 、“chebychev” 、“欧几里得” ,または闵可夫斯基的 |
このテーブルには,ExhaustiveSearcher
の有効な距離計量が含まれます。
距離計量名 | 説明 |
---|---|
“cityblock” |
市街地距離。 |
“chebychev” |
チェビシェフ距離(最大座標差)。 |
“相关” |
1から,一連の値として扱われる観測間の標本線形相関係数を引きます。 |
的余弦 |
1から,ベクトルとして扱われる観測間の夾角の余弦を引きます。 |
“欧几里得” |
ユークリッド距離。 |
“汉明” |
異なる座標のパーセンテージとなるハミング距離。 |
“jaccard” |
1から,ジャカード係数(異なる非ゼロ座標の比率)を引いた値。 |
“mahalanobis” |
正定値共分散行列C を使用して計算される,マハラノビス距離。C の既定値はX の標本共分散行列であり,X (X, omitrows) によって計算されます。C に別の値を指定するには,“浸” 名前と値のペアの引数を使用します。 |
闵可夫斯基的 |
ミンコフスキー距離。既定の指数は2 です。別の指数を指定するには,“指数” 名前と値のペアの引数を使用します。 |
“seuclidean” |
標準化されたユークリッド距離。X と各クエリ点の間の各座標差分がスケーリングされます。つまり,スケール値年代 で除算されます。年代 の既定値はX から計算される標準偏差で,S =性病(X, omitnan) です。年代 に別の値を指定するには,规模 名前と値のペアの引数を使用します。 |
“枪兵” |
1から,観測値間の標本スピアマンの順位相関(値の系列として扱われる)を引いた値。 |
@ |
距離関数ハンドル。 函数ZJ D2 = distfun(子)距离计算%...
|
CategoricalPredictors
を“所有”
に指定した場合,既定の距離計量は“汉明”
となります。それ以外の場合は,既定の距離計量は“欧几里得”
です。
定義については距離計量を参照してください。
例:“距离”,“闵可夫斯基”
データ型:字符
|字符串
|function_handle
DistanceWeight
- - - - - -距離重み付け関数“平等”
(既定値) |“逆”
|“squaredinverse”
|関数ハンドル距離重み付け関数。“DistanceWeight”
と関数ハンドルまたは次の表のいずれかの値から構成されるコンマ区切りのペアとして指定します。
値 | 説明 |
---|---|
“平等” |
重み付けなし |
“逆” |
重みは1 /距離です |
“squaredinverse” |
重みは1 /距離2です |
@ |
fcn は,非負の距離の行列を受け入れる関数であり,非負の距離重み付けを含む同じサイズの行列を返します。たとえば,“squaredinverse” は@ (d) d。^ (2) と同じです。 |
例:“DistanceWeight”、“逆”
データ型:字符
|字符串
|function_handle
指数
- - - - - -ミンコフスキー距離指数2
(既定値) |正のスカラー値ミンコフスキー距離指数。“指数”
と正のスカラー値で構成されるコンマ区切りのペアとして指定します。この引数は,“距离”
が闵可夫斯基的
の場合にのみ有効です。
例:“指数”,3
データ型:单
|双
IncludeTies
- - - - - -同順位使用フラグ假
(既定値) |真正的
同順位使用フラグ。“IncludeTies”
と,距離の値がK
番目に小さい距離と等しい近傍点をすべて预测
に含めるかどうかを表す論理値で構成される,コンマ区切りのペアとして指定します。IncludeTies
が真正的
の場合,预测
はすべての近傍点を含みます。それ以外の場合,预测
は正確にK
の近傍点を使用します。
例:“IncludeTies”,真的
データ型:逻辑
NSMethod
- - - - - -最近傍探索法“kdtree”
|“详尽”
最近傍探索法。“NSMethod”
と“详尽”
または“kdtree”
で構成されるコンマ区切りのペアとして指定します。
“kdtree”
- - - - - -kd木を作成および使用して最近傍を探索します。“kdtree”
は距離計量が次のいずれかである場合に有効です。
“欧几里得”
“cityblock”
闵可夫斯基的
“chebychev”
“详尽”
——網羅的探索アルゴリズムを使用します。新しい点xnew
のクラスを予測するときに,X
内のすべての点からxnew
までの距離を計算して最近傍を探索します。
既定値は,X
の列数が10
以下で,X
がスパースでないかgpuArray
で,距離計量が“kdtree”
型の場合は“kdtree”
,それ以外の場合は“详尽”
です。
例:“NSMethod”、“详尽”
NumNeighbors
- - - - - -検出する最近傍の数1
(既定値) |正の整数値予測時に各点を分類するために検出するX
の最近傍の数。“NumNeighbors”
と正の整数値で構成されるコンマ区切りのペアとして指定します。
例:“NumNeighbors”,3
データ型:单
|双
规模
- - - - - -距離スケール性病(X, omitnan)
(既定値) |非負のスカラー値のベクトル距離スケール。“规模”
と,X
の列数と同じ長さの非負のスカラー値を含むベクトルで構成される,コンマ区切りのペアとして指定します。X
とクエリ点の間の各座標差分は,规模
の対応する要素でスケーリングされます。この引数は,“距离”
が“seuclidean”
の場合にのみ有効です。
“标准化”
および“规模”
または“浸”
のいずれかを同時に指定できません。
データ型:单
|双
标准化
- - - - - -予測子を標準化するためのフラグ假
(既定値) |真正的
予測子を標準化するためのフラグ。“标准化”
と,真正的
(1
)または假
(0)
のいずれかで構成される,コンマ区切りのペアとして指定します。
“标准化”,真的
を設定すると,予測子データ(X
)の各列のセンタリングとスケーリングを,それぞれ列の平均値と標準偏差を使用して行います。
すべての予測子がカテゴリカルの場合,カテゴリカル予測子は標準化されずエラーがスローされます。
“标准化”,1
および“规模”
または“浸”
のいずれかを同時に指定できません。
予測子データの標準化をお勧めします。
例:“标准化”,真的
データ型:逻辑
t
k - NN分類テンプレート学習アンサンブルまたはECOC(誤り訂正出力符号)マルチクラスモデルを学習させるのに適したk NN分類テンプレート。テンプレートオブジェクトとして返します。t
をfitcensemble
またはfitcecoc
に渡し,アンサンブルまたはECOCモデルそれぞれの资讯を作成する方法を指定します。
コマンドウィンドウにt
を表示する場合,すべての未指定のオプションは空([]
)で表示されます。しかし,空のオプションは学習中に対応する既定値に置き換えられます。
次のMATLABコマンドに対応するリンクがクリックされました。
コマンドをMATLABコマンドウィンドウに入力して実行してください。WebブラウザーはMATLABコマンドをサポートしていません。
你也可以从以下列表中选择一个网站:
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。