MAQUINAS vectoriales德soporte对拉clasificaciónbinaria - MATLAB＆Simulink的 -万博1manbetx MathWorks的美洲拉丁

埃斯塔páginaAUN没有本质公顷traducido对ESTA版本。普埃德韦尔拉维塞姆内斯特雷森德埃斯塔帕吉纳英格拉斯酒店（Puede ver ver ver versión más reciente de esta Pagina en inglés）。

比那利亚克拉西非卡松类植物

Comprender拉斯MAQUINAS vectoriales德soporte

DATOS separables

Puede utilizar UNAmáquina德vectores德soporte（SVM）宽多洛DATOS泰尼恩exactamente DOS clases。乌纳SVM clasifica洛杉矶DATOS buscando EL MEJOR hiperplano阙separa待办事项洛杉矶puntos德DATOS日乌纳CLASE德洛斯德拉OTRA化酶。萨尔瓦多hiperplano对UNA SVM标志意义ELMÁS格兰德河间拉斯DOS clases。梅乔MargenMargen标志意义EL安乔被Máximo德拉洛萨paralela人hiperplano阙没有tiene puntos德DATOS interiores。

我的儿子是西帕拉西翁，我的儿子是洛萨。vectores德apoyo拉FIGURA siguiente ilustra estas definiciones，CON + indicando puntos德DATOS德TIPO 1个Y，indicando puntos德DATOS德TIPO -1。

Formulaciónmatemática：原始。埃斯塔·迪库西昂·西格·黑斯迪、提比什拉尼、弗里德曼、克里斯蒂亚尼和肖伊·泰勒。[一][二]

潘托斯（vectores）酒店十_j型junto con sus categorias公司是的_j型.帕拉alguna尺寸，EL丁十_j型ε右^丁，伊尔是的_j型=±1个.香格里拉ecuación德UN hiperplano ES

$f型 (十) = 十' β + 乙 = 0个$

东德βε右^丁你是真的。乙萨尔瓦多siguiente problema定义EL hiperplano德separación（ES decir，EL LIMITE日决定）。梅乔Buscarÿ阙本身minimizan洛杉矶||德河谷备考阙对待办事项洛杉矶puntos德DATOS（β乙β十_j型,是的_j型),

{是的}_{j型型型} f型 (十_{j型型型}) \geq 1。

索波特之子洛斯维克托雷斯十_j型埃利米特酒店

{是的}_{j型型型} f型 (十_{j型型型}) = 1。

帕拉市长comodidadmatemática，EL problema SE suele DAR科莫EL problema equivalente德minimizar

‖ β ‖

. 这是一个很难解决的问题。拉索卢西翁

(\hat{β}, \hat{乙})

马内拉西吉恩特市政府许可证：z轴

$班 (z轴) = 标志 (z轴' \hat{β} + \hat{乙}) = 标志 (\hat{f型} (z轴)) .$

$\hat{f型} (z轴)$ ES ELŸrepresenta拉DISTANCIA ESTA desde EL LIMITE去决定。分数德clasificaciónz轴

公式：双重的。这是一个简单的解决程序。对obtener-el-doble，tome乘法Lagrange正数Α_j型多个餐厅：

$一_{第页} = \frac{1个}{2个个个} β' β - \underset{j型}{Σ} α_{j型型型} ({是的}_{j型型型} (十_{j型型型}' β + 乙) - 1个),$

东德本身布斯卡未PUNTO estacionario德一_第页UNA年。β乙格雷登特大街一_第页一个0，SE obtiene

\begin{matrix} β = \underset{j型}{Σ} α_{j型型型} {是的}_{j型型型} 十_{j型型型} \\ 0个 = \underset{j型}{Σ} α_{j型型型} {是的}_{j型型型} . \end{matrix}

（一）

苏斯蒂尔a一_第页，东南欧一_丁:

$一_{丁} = \underset{j型}{Σ} α_{j型型型} - \frac{1个}{2个个个} \underset{j型}{Σ} \underset{千}{Σ} α_{j型型型} α_{千} {是的}_{j型型型} {是的}_{千} 十_{j型型型}' 十_{千},$

极大化索布雷α_j型≥0. 将军，穆科斯Α_j型儿子科莫0的Máximo。萨尔瓦多distinto CEROΑ_j型在多布尔问题的解决中，定义为hiperplano、como se ve en、lo que da como la suma deEcuación1βΑ_j型是的_j型十_j型.洛杉矶puntos德DATOS十_j型对应于一个distinto de ceroΑ_j型儿子艾尔·阿奇沃。vectores德apoyo

衍生产品一_丁CON respecto联合国distinto德CEROΑ_j型上课0恩未óptimo。埃斯托达

${是的}_{j型型型} f型 (十_{j型型型}) - 1个 = 0。$

特别是，埃斯托·达·埃尔·瓦洛尔·德拉索卢西翁，托曼多·库阿尔奎拉·孔乙j型Α_j型. 这是一个双重的计划问题。el solucionador resuelve este tipo de埃金波酒店问题a.优化工具箱™二次规划优化函数

DATOS没有separables

这是一个不允许使用的数据，它是一个非常重要的数据。margen倜傥 干草DOS formulacionesestándar德márgenesblandos。Ambos implican拉adición德变量holgantesΞ_j型佩纳利扎西翁地铁站。C类

埃尔一^1个-标准问题：

$\underset{β, 乙, ξ}{分} (\frac{1个}{2个个个} β' β + C类 \underset{j型}{Σ} ξ_{j型型型})$

塔尔克

$\begin{matrix} {是的}_{j型型型} f型 (十_{j型型型}) \geq 1个 - ξ_{j型型型} \\ ξ_{j型型型} \geq 0。 \end{matrix}$

埃尔一^1个范数本身refiere人USO德Ξ_j型科莫变量holgantes连接卢格德SUS cuadrados。拉斯维加斯特雷斯opciones德尔solucionador，Y代minimizar拉SMOISDAL1QP公司fitcsvm公司一^1个-诺玛问题。
埃尔一^2个-标准问题：

$\underset{β, 乙, ξ}{分} (\frac{1个}{2个个个} β' β + C类 \underset{j型}{Σ} ξ_{j型型型}^{2个个个})$

这是一个错误的限制。

恩estas formulaciones，SE版本puede阙埃尔aumento推迟实施MÁS比索恩拉斯维加斯变量holgantesC类Ξ_j型这是一个非常重要的项目。同等条件下，还原重要的海洋物质。C类

公式：双重的。帕拉科洛斯·玛斯·法西莱斯先生一^1个多布尔problema一个ESTAformulación德margen倜傥。USO德multiplicadores拉格朗日Μ_j型，LAfunción一个minimizar第下午一^1个-标准问题：

$一_{第页} = \frac{1个}{2个个个} β' β + C类 \underset{j型}{Σ} ξ_{j型型型} - \underset{j型}{Σ} α_{j型型型} ({是的}_{我} f型 (十_{j型型型}) - (1个 - ξ_{j型型型})) - \underset{j型}{Σ} μ_{j型型型} ξ_{j型型型},$

东德本身布斯卡未PUNTO estacionario德一_第页米ás de , , y positivoβ乙Ξ_j型.格雷登特大街一_第页一个0，SE obtiene

$\begin{matrix} β = \underset{j型}{Σ} α_{j型型型} {是的}_{j型型型} 十_{j型型型} \\ \underset{j型}{Σ} α_{j型型型} {是的}_{j型型型} = 0个 \\ α_{j型型型} = C类 - μ_{j型型型} \\ α_{j型型型}, μ_{j型型型}, ξ_{j型型型} \geq 0。 \end{matrix}$

有助于指导一个公式：

$\underset{α}{最大} \underset{j型}{Σ} α_{j型型型} - \frac{1个}{2个个个} \underset{j型}{Σ} \underset{千}{Σ} α_{j型型型} α_{千} {是的}_{j型型型} {是的}_{千} 十_{j型型型}' 十_{千}$

sujeto a las limitaciones公司

$\begin{array}{l} \underset{j型}{Σ} {是的}_{j型型型} α_{j型型型} = 0个 \\ 0个 \leq α_{j型型型} \leq C类 . \end{array}$

最后的德斯瓜尔达德斯魔咒，0≤α_j型≤C类，muestra PORqué时一veces本身骆驼联合国档案馆。mantiene洛杉矶VALORES德洛斯multiplicadores拉格朗日permitidosC类卡亚区C类Α_j型恩UNA “卡哈”，UNA区域delimitada。

香格里拉ecuación去购买gradiente对DA拉solución连接términos德尔CONJUNTO德乙乙Α_j型，这是一封信。

普埃德·埃斯克里比旋转变压器一^2个-problema去诺玛日乌纳MANERAanáloga。对更多酒店detalles，véaseChristianiniÿShawe-泰勒，Capítulo6。[二]

Implementaciónfitcsvm公司.马根·布兰多的安博斯问题，卡德拉蒂科斯的双子问题。国际上，各种不同的算法解决了视轴问题。fitcsvm公司

在比纳里亚河沿岸，在达托斯（领事馆）的皮科斯埃斯佩拉多斯（picos esperados en los datos）和el solucionador predeterminado es Optimización mínima secuencial（SMO）没有水力压裂。离群分数SMO minimiza EL problema日乌纳诺玛mediante UNA意甲德minimizaciones德DOS puntos。杜兰特LAoptimización，SMO respeta拉restricción直系 $\underset{我}{Σ} α_{我} {是的}_{我} = 0个,$ ËincluyeexplícitamenteELtérmino德sesgo EN EL莫德洛。SMO ES relativamente RAPIDO。帕拉obtener更多资料自我SMO，consulte。[三]
啪啦啦clasificaciónbinaria，SI establece UNAfracción德洛斯VALORESatípicosesperados EN洛杉矶DATOS，EL solucionador predeterminado ES EL algoritmo iterativo德DATOS UNICOS。铝igual阙SMO，ISDA resuelve EL problema德UNA诺玛。一个diferencia德SMO，ISDA minimiza mediante UNA系列连接minimizaciones德UN PUNTO，没有respeta拉restricción直系Y没有incluyeexplícitamenteELtérmino德sesgo EN EL莫德洛。帕拉obtener更多资料自我ISDA，consulte。[四]
比那利亚地区的分类，许可证的分类，标准问题的解决方法。utiliza una buena parte de la memoria，pero resuelve programs as cuadráticos con un alto grado de precision.优化工具箱二次规划优化函数二次规划优化函数帕拉obtener更多资料，consulte。定义德programacióncuadrática（优化工具箱）

Transformación无直系亲属CON核苷

克拉西菲卡西翁比目鱼的阿尔古诺问题没有简单的西帕拉西翁标准。第二个问题是，我们需要一个简单的支持向量机。

埃斯特enfoque utiliza estos resultados德拉teoría德拉繁殖德内核：

干草UNA CLASE德funciones（克十_1个,十_2个)我是一名职业杀手。我是一个直系人S公司φ十S公司

克(十_1个,十_2个) = < (φ十_1个),φ(十_2个）>。

在埃斯帕西奥生产卢格啤酒。S公司
功能分类包括：
- Polinomios：帕拉algún肠POSITIVO，第页
  
  克(十_1个,十_2个)（一）+十_1个′十_2个)^第页.
- 径向基函数（高斯）：
  
  克(十_1个,十_2个)经验（–-？十_1个–十_2个）一个）^2个).
- 感知multicapaØS型（红色神经细胞）：帕拉未NÚMEROPOSITIVO第页_1个Ÿ联合国NÚMEROnegativo第页_2个,
  
  克(十_1个,十_2个） - 正切（第页_1个十_1个′十_2个+第页_2个).
  诺塔
  没有待办事项洛杉矶conjuntos德第页_1个是的第页_2个农产品联合国核蛋白去繁殖VALIDO。
  
  没有索波塔·恩克鲁·西格莫德。fitcsvm公司恩苏卢格，puede definir EL内核乙状结肠Ÿespecificarlo mediante EL argumento去比肩农布雷 - 勇气。'KernelFunction'帕拉obtener更多资料，consulte。用自定义核训练支持向量机分类器

萨尔瓦多enfoquematemáticomediante内核本身巴沙EN EL方法方法computacional德hiperplanos。待办事项洛杉矶cálculos对拉clasificación德hiperplanos没有utilizanMÁS阙PRODUCTOS德puntos。POR LO短刀，洛杉矶内核没有lineales pueden utilizarcálculosidénticosŸalgoritmos德solución，Y obtener clasificadores阙没有儿子lineales。洛杉矶clasificadores resultantes儿子hipersuperficies ENalgún非裔，佩罗EL非裔没有tiene阙SER identificadoØexaminado。S公司S公司

索波特矢量博物馆

我们的监管模式更为灵活，我们的业务范围更广，我们的业务范围更广。利用la máquina entranada para clasificar（predecir）nuevos datos。Además、para obtener una precisión prediviva satifactoria、puede utilizar varias funciones del kernel SVM、y debe ajustar los parámetros de las funciones del núcleo等。

Capacitación德联合国clasificador德SVM

主菜y，开胃菜，缬氨酸，不分主菜。fitcsvm公司圣马力士博物馆：

SVMModel=fitcsvm（X，Y，'KernelFunction'，'rbf'，…'标准化'，true，'ClassNames'，{'negClass'，'posClass'}）；

拉斯维加斯入住日期儿子：

-数据预测器矩阵，不可观测的数据，不可预测的数据列。十
-与之相对应的阶级斗争矩阵。卡特里卡，卡德纳，努梅里科，卡特里卡，卡德纳。是的十是的
- 萨尔瓦多勇气predeterminado ES第下午aprendizaje德DOS clases，阙separa洛杉矶DATOS POR联合国hiperplano。KernelFunction“线性”El valor（o）是一个预先确定的参数，它是一个特殊的实用的高斯核（o función de base radial）。“高斯”“径向基函数”重要的一点是核函数。
-Indicador que indica si el软件debe estandarizar los可预测中央前额。标准化
：区分中心类和阴性类和阳性类，特别是包括基准类在内的类。类名一a clase negativa es el primer elemento (o fila de una matriz de caracteres), por ejemplo, , y la clase positiva es el segundo elemento (o fila de una matriz de caracteres), por ejemplo, . debe ser el mismo tipo de datos que .'负类''posClass'类名是的我们推荐一种特殊的分类法，特别是不同分类法的比较法。

El modelo entrando resultante（）包含los Para a metros optimizados del algoritmo SVM、lo que le permite clasificar nuevos datos。SVMModel

帕拉博内尔马帕雷斯诺姆布雷瓦勒克普埃德乌萨尔帕拉康托尔埃尔恩特纳米蒂诺领事馆。fitcsvm公司

新数据分类与分类支持向量机

克拉西菲卡新达托斯实用酒店预测. 新数据中心：SVMModel

[标号，得分=预测（SVMModel，下一页末）;

El vector resultante, , representa la clasificación de cada fila en . es una matriz -by-2 de puntuaciones blandas.Etiqueta十分数n个卡达·菲拉对应的是乌纳·菲拉，他观察到的是乌纳·努埃瓦。十香格里拉西甲columna contiene拉斯puntuaciones德拉斯observaciones阙本身clasifican EN LA化酶negativa，和La乙组columna contiene拉斯observaciones德puntuaciones阙本身clasifican EN LA化酶positiva。

帕拉estimar拉斯probabilidades posteriores连接卢格德拉斯puntuaciones，PRIMERO PASE EL clasificador SVM entrenado（）一SVMModelfitPosterior，阙本身ajusta一个UNAfunción德transformación德分数后路德probabilidad一个拉斯puntuaciones。香格里拉sintaxis ES：

ScoreSVMModel=FitReposteral（Svmodel，X，Y）；

克拉西菲卡多尔孔蒂涅拉法西翁转换。分数转换ScoreSVMModel磷酸酶一。ScoreSVMModel预测在lugar de Delover las puntuaciones，el argumento de salida contiene las probabilidades posteriore de que una observevación se clasifique En la clase negatia（columna 1 de）o positiva（columna 2 de）的分支中。分数分数分数

分类支持向量机

Utilice EL argumento去比肩农布雷 - 勇气对buscar VALORES德parámetro阙minimicen拉pérdida德validacióncruzada。'优化超参数'fitcsvm公司一os parámetros elegibles son , , , , y .'框约束''KernelFunction''KernelScale''多项式顺序''标准化'领事馆。巴耶西亚纳优化中心备选方案，实用性，功能性，多功能性。贝耶索普特基于bayesopt的交叉验证支持向量机分类器优化作为一名市长，拉弗西尼翁允许一名灵活的准个人化者进行优化。贝耶索普特Puede utilizar拉función对optimizar cualquierparámetro，incluidos洛杉矶parámetros阙没有儿子APTOS对optimizar宽多本身utiliza LAfunción。贝耶索普特fitcsvm公司

克拉西夫卡多尔洛斯帕拉地铁手册：

这是一个值得纪念的地方。fitcsvm公司'KernelScale'，'auto'苏波加莫斯模型支持向量机中心。SVMModel萨尔瓦多软件utiliza未procedimientoheurístico对seleccionar拉Escala的德尔内核。萨尔瓦多procedimientoheurísticoutiliza submuestreo。POR LO短刀，对reproducir洛杉矶resultados，establezca联合国NÚMEROaleatorio德semilla托里奥拉EL USO底注德entrenar EL clasificador。RNG
克鲁扎达帕桑多罗公寓横波.德备考predeterminada，EL软件lleva一个擦玻璃UNAvalidacióncruzada日10 veces。
cruzada a的validado模型kfoldLoss分类误差守恒定律。
Vuelva一个entrenar EL clasificador SVM，佩罗ajuste洛杉矶argumentos去比肩农布雷，勇气和Los argumentos。'KernelScale''框约束'
- -埃斯特拉特加大学是一个很好的学校。箱约束POR ejemplo，希瑞11个VALORES，去一个POR联合国因素德10。1e-5级1e5级索波特维克托雷斯酒店，佩罗塔姆比酒店。箱约束
- -埃斯特拉特加是一个很好的例子。核尺度哈加·埃斯托波尔：
  1. 《埃斯卡拉原版德尔努克莱奥》，波尔·埃金波，普恩托斯中央美术馆：。KSks=SVMModel.KernelParameters.Scale
  2. Utilícelo como nuevos factores de escala del núcleo del original公司。波尔埃金波，多个波尔洛斯11瓦洛雷斯a，奥门坦多波尔联合系数de 10。KS1e-5级1e5级

埃利娅·艾尔莫洛产生了一种错误的语言。这是一个很好的选择，它是一个很好的选择。

火车SVM分类使用高斯核

Abrir脚本恩体内

恩埃斯特ejemplo SE muestra科莫generar未clasificador无直系亲属CON LAfunción去核gaussiana。恩底漆卢格，genere UNA CLASE德puntos迪登特鲁德尔迪斯科德拉团结报恩DOS dimensionesŸOTRA CLASE德puntos EN EL anillo desde EL无线电1个闪现EL无线电2.continuación，属联合国clasificador basado连接洛杉矶DATOS CON EL内核德función德碱径向gaussiana。萨尔瓦多clasificador直系predeterminado ES obviamente inadecuado对埃斯特problema，雅雀EL莫德洛ES circularmentesimétrico。Establezca ELparámetro德restricción德cuadro对阙印版UNAclasificaciónestricta，老阙阙标志意义没有干草puntos德entrenamiento发作clasificados。中导核的功能不受限制，因此，核的功能不受限制。拉希菲卡多尔拉斯帕德酒店，索布林特伦纳酒店。

在统一的迪斯科舞厅，有100个puntos Distribidos制服。帕拉埃洛，通用联合国电台科莫拉伊斯·库阿德拉达·德·乌纳变量阿莱托利亚军警，通用联合国军警（0，右t型

<数学显示=“块”>

2个

），Y ponga EL PUNTO恩（COS（），罪（））。右 t型右 t型

rng（1）；%再现性r=sqrt（rand（100,1））；%半径t=2*pi*rand（100,1）；%角度数据1=[r*cos（t），r*sin（t）]；%点

Generar 100 puntos distribuidos uniformemente EN EL anillo。埃尔无线电ES德努埃沃proporcional一个UNAraízcuadrada，ESTA VEZ UNAraízcuadrada德拉DISTRIBUCION uniforme DE 1 4。

R2 = SQRT（3 *兰特（100,1）+1）;%半径t2=2*pi*rand（100,1）；%角度数据2=[r2.*cos（t2），r2.*sin（t2）]；%点

Trazar洛斯puntosýtrazarcírculos德收音机1个Y 2段LAcomparación。

数字;情节（DATA1（：，1），DATA1（：，2），“r.”,'MarkerSize'，15）保持上绘图（数据2（：，1），数据2（：，2），'b'，'MarkerSize'，15）极坐标（@（x）1）；ezpolar（@（x）2）；轴平等的持有离

Coloque洛杉矶DATOS EN UNA matrizŸ哈加未向量德clasificaciones。

DATA3 = [DATA1; DATA2];theClass描述=酮（200,1）;theClass描述（1：100）= -1;

你可以建立一个完整的系统。KernelFunction“径向基函数”箱约束中导德西西翁教堂和索波特酒店。

％列车SVM分类CL = fitcsvm（DATA3，theClass描述， 'KernelFunction'， 'RBF'，... 'BoxConstraint'，天道酬勤， '类名'，[ -  1,1]）;％预测分数在网格d = 0.02;[x1Grid，x2Grid] = meshgrid（分钟（DATA3（：，1））：d：最大（DATA3（：，1）），...分钟（DATA3（：，2））：d：最大（DATA3（：，2）））;XGRID = [x1Grid（:)，x2Grid（:)];[〜，分数] =预测（CL，XGRID）;％绘制数据和决策边界图;H（1：2）= gscatter（DATA3（：，1），数据3（：，2），theClass描述， 'RB'， ''）;按住ezpolar（@（x）的1）;H（3）=图（DATA3（cl.IsSuppo万博1manbetxrtVector，1），数据3（cl.IsSupportVector，2）， 'KO'）;轮廓（x1Grid，x2Grid，重塑（得分（：，2），尺寸（x1Grid）），[0 0]， 'K'）; legend(h,{'-1','+1','Support Vectors'}); axis equal hold off

第一台收音机的分类。fitcsvm公司香格里拉diferencia SE德贝洛DATOS德entrenamiento aleatorios。

埃尔entrenamiento CON洛斯parámetrospredeterminados HACE阙未LIMITE德clasificaciónCASI圆形，佩罗阙clasifiqueerróneamentealgunos DATOS德entrenamiento。Además，EL勇气predeterminado去上课，Y，POR LO短刀，干草MÁSvectores德soporte。箱约束1个

CL2 = fitcsvm（DATA3，theClass描述，'KernelFunction',“径向基函数”)；[~，scores2]=预测（cl2，xGrid）；图；h（1:2）=gscatter（data3（：，1），data3（：，2），类，'RB','.'）;持有上极坐标（@（x）1）；h（3）=绘图（数据3（cl2.IsSupport万博1manbetxVector，1），数据3（cl2.IsSupportVector，2），'KO'）;轮廓（x1Grid，x2Grid，重塑（scores2（：，2），尺寸（x1Grid）），[0 0]，“k”)；图例（h{'-1','+1','万博1manbetx支持向量'})；轴平等的持有离

用自定义核训练支持向量机分类器

Abrir脚本

恩埃斯特ejemplo SE muestra科莫utilizar UNAfunción德内核personalizada，科莫EL内核乙状结肠，对entrenar clasificadores SVMŸajustar洛杉矶parámetros德función德尔内核personalizados。

联合国统一委员会主席。Etiquetar puntos en el primer y tercer cuadrante como pertenenecies a la clase阳性，y los del segundo y cuarto cuadrantes de la clase阴性。

rng（1）；％的再现性N = 100;点的％数每象限R1 = SQRT（RAND（2 * N，1））;％随机半径T1 =π/ 2 *兰特（N，1）;（PI / 2 *兰特（N，1）+ PI）];％随机的角度为Q1和Q3 X1 = [R1 * COS（T1）R1 * SIN（T1）。。];％的极性到笛卡尔转换R2 = SQRT（RAND（2 * N，1））;T2 =π/ 2 *兰特（N，1）+ pi / 2之间;（PI / 2 *兰特（N，1）-pi / 2）];％随机的角度为Q2和Q4 X2 = [R2 * COS（T2）R2 * SIN（T2）。。];X = [X1; X2]; % Predictors Y = ones(4*n,1); Y(2*n + 1:end) = -1; % Labels

特拉扎尔·洛斯·达托斯。

图；gscatter（X（：，1），X（：，2），Y）；标题(“仿真数据的散布图”)

函数矩阵是一种特殊的矩阵形式，它的核心是一个矩阵变换。

功能G = mysigmoid（U，V）%具有斜率gamma和截距c gamma=1；c=-1；G=tanh（gamma*U*V'+c）的Sigmoid核函数；结束

Guarde埃斯特código科莫联合国档案馆denominado EN LA鲁塔德accesoMATLAB®MATLAB。肌色素样

Entrene联合国clasificador SVM utilizando拉función去核乙状结肠。ES UNA布埃纳实习课estandarizar洛杉矶DATOS。

Mdl1 = fitcsvm（X，Y，'KernelFunction','mysigmoid','标准化'，正确）；

ES联合国clasificador阙contiene洛杉矶parámetrosestimados。Mdl1型分类vm

Trazar洛杉矶DATOSËidentificar洛杉矶vectores德soporteŸEL LIMITE去决定。

%计算网格上的分数d=0.02；%网格步长[x1Grid，x2Grid]=网格网格（最小（X（：，1））：d:max（X（：，1）），。。。最小（X（：，2））：d:max（X（：，2））；X grid=[x1Grid（：），x2Grid（：）]；%grid[~，scores1]=预测（Mdl1，xGrid）；%scores数字；h（1:2）=gscatter（X（：，1），X（：，2），Y）；保持h（3）=绘图（X（Mdl1.IsSupportVector，1），。。。X（Mdl1.IsSupportVector，2），'ko'，'MarkerSize'，10）；%支持向量轮廓（x1Grid，x2Grid，reforme万博1manbetx（scores1（：，2），size（x1Grid）），[0]，'k'）；%决策边界标题（'带决策边界的散点图'）图例（{'-1'，'1'，'Support vectors'}，'Location'，'Best'）；请稍候

Puede ajustar洛杉矶parámetros德尔内核连接未intento德mejorar拉备考德尔LIMITE去决定。埃斯托tambiénpuede disminuir拉TASA德clasificaciónincorrecta迪登特鲁德拉muestra，佩罗，PRIMERO，德贝determinar拉TASA德clasificación是erronea fuera德拉muestra。

测定10辆车的la tasa de clasificación errónea fuera de muestra mediante la validación cruzada。

CVMdl1=交叉值（Mdl1）；misclass1=kfoldLoss（CVMdl1）；misclass1

misclass1 = 0.1375

香格里拉TASA德clasificación是erronea fuera德拉muestra ES德尔13.5％。

Escribe OTRAfunción乙状结肠，佩罗集。伽马=0.5；

功能G=结缔组织2（U，V）%具有斜率gamma和截距c gamma=0.5；c=-1；G=tanh（gamma*U*V'+c）的Sigmoid核函数；结束

Guarde埃斯特código科莫联合国档案馆denominado EN LA鲁塔德accesoMATLAB®MATLAB。mysigmoid2

Entrene一个OTRO clasificador SVM utilizando EL内核乙状结肠ajustado。Trazar洛杉矶DATOS和La区域去决定Ÿdeterminar拉TASA德clasificación是erronea fuera德muestra。

MDL2 = fitcsvm（X，Y，'KernelFunction','mysigmoid2','标准化'，true）；[~，scores2]=预测（Mdl2，xGrid）；图；h（1:2）=gscatter（X（：，1），X（：，2），Y）；保持上H（3）=积（X（Mdl2.IsSup万博1manbetxportVector，1），...X（Mdl2.Is万博1manbetxSupportVector，2）， 'こ'， 'MarkerSize'，10）;标题（ '散布图与决策边界'）轮廓（x1Grid，x2Grid，重塑（scores2（：，2），尺寸（x1Grid）），[0 0]， 'K'）;图例（{ ' -  1'， '1'，万博1manbetx '支持向量'}， '位置'， '最佳'）;拖延CVMdl2 = crossval（MDL2）;misclass2 = kfoldLoss（CVMdl2）;misclass2

misclass2 = 0.0450

Después德尔ajuste德拉pendiente S型，EL NUEVO LIMITE日决定parece proporcionar未MEJOR ajuste迪登特鲁德拉muestra，和Los contratos德TASA德validacióncruzada连接MÁS德尔66％。

巴耶西亚纳优化中心

Abrir脚本恩体内

恩埃斯特ejemplo SE muestra科莫optimizar UNAclasificaciónSVM mediante EL面值funciónŸ农布雷 - 勇气。fitcsvm公司OptimizeHyperparameters拉克拉西菲卡西翁的功能和普努托斯的普遍性，都是建立在高斯的模型之上的。En，Haste，Tibshirani，y Friedman（2009年），la Pagina 17描述el modelo。统计学习的要素埃尔莫德洛comienza CON LAgeneraciónDE 10个puntos基对位UNA化酶 “佛得角”，distribuidas como的normales independientes 2D CON介质（1,0）Y varianza德团结报。También属10个puntos基对位UNA化酶 “红十字会”，distribuidas como的normales independientes 2D CON介质（0,1）Y varianza unitaria。第CADA化酶（Verde的Ý罗霍），genere 100 puntos aleatorios德拉siguiente MANERA：

Elija un punto base del color adecuado azar制服。米
一般情况下，独立的二维介质分布与瓦里安萨I/5，不同的介质分布。米在este Ejempo，利用瓦里亚扎I/50段，在克拉里亚德市长的优化下进行。

洛斯潘托斯将军

Genere洛杉矶10个puntos基地对CADA化酶。

RNG默认%对于再现性，grnpop=mvnrnd（[1,0]，eye（2），10）；redpop=mvnrnd（[0,1]，eye（2），10）；

版本洛杉矶puntos基地。

情节（grnpop（：，1），grnpop（：，2），'走'）保持上绘图（redpop（：，1），redpop（：，2），“ro”）持有离

阿尔古诺斯puntos基地rojos están cerca de puntos基地verdes，puede ser difícil clasificar los puntos de datos solo en función de la ubicación。

Genere洛杉矶100 puntos德DATOS德CADA化酶。

redpts=零（100,2）；grnpts=redpts；对于I = 1：100 grnpts（I，:) = mvnrnd（grnpop（兰迪（10），:)，眼（2）* 0.02）;redpts（I，:) = mvnrnd（redpop（兰迪（10），:)，眼（2）* 0.02）;结束

版本洛杉矶puntos德DATOS。

图形图（grnpts（：，1），grnpts（：2）， '走出去'）持有上绘图（红点（：，1），红点（：，2），“ro”）持有离

Preparar DATOS对拉clasificación

这是一个很重要的地方。玻璃钢

cdata=[grnpts；redpts]；grp=个（200,1）；％绿色标签1，红色标签-1 GRP（101：200）= -1;

克鲁扎达瓦利达奇翁酒店

配置UNApartición对拉validacióncruzada。埃斯特帕索corrige洛杉矶conjuntos德entrenamientoŸprueba阙美国洛杉矶optimizaciónEN CADA帕索。

c=cvpartition（200，'KFold'，10）;

Optimizar埃尔ajuste

帕拉encontrar联合国布恩ajuste，ES decir，UNO CON UNApérdida德validacióncruzada巴哈establezca opciones对城市搜救拉optimizaciónbayesiana。Utilice拉mismapartición德validacióncruzada连接托达拉斯optimizaciones。c类

重复性好，使用方便。'预期改善加'

OPTS =结构（'优化器','贝耶索普特','ShowPlots'，真正，'CVPartition'分区'，C，...'AcquisitionFunctionName'，'expected-improvement-plus'）；svmmod=fitcsvm（cdata，grp，'KernelFunction'，'rbf'，…'优化超参数'，'自动'，'超参数优化选项'，选项）

| ===================================================================================================== ||ITER |EVAL |目的|目的|BestSoFar |BestSoFar |BoxConstraint |KernelScale | | | result | | runtime | (observed) | (estim.) | | | |=====================================================================================================| | 1 | Best | 0.345 | 0.34739 | 0.345 | 0.345 | 0.00474 | 306.44 |

|2 |最佳| 0.115 | 0.30642 | 0.115 | 0.12678 | 430.31 | 1.4864|

|3 |接受|0.52 |0.44395 |0.115 |0.1152 |0.028415 |0.014369 |

|4 |接受| 0.61 | 0.21798 | 0.115 | 0.11504 | 133.94 | 0.0031427|

|5 |接受| 0.34 | 0.3229 | 0.115 | 0.11504 | 0.010993 | 5.7742|

|6 |最佳|0.085 |0.19964 |0.085 |0.085039 |885.63 |0.68403 |

|7 |接受| 0.105 | 0.24149 | 0.085 | 0.085428 | 0.3057 | 0.58118|

|8 |接受| 0.21 | 0.40475 | 0.085 | 0.09566 | 0.16044 | 0.91824|

|9 |接受| 0.085 | 0.26232 | 0.085 | 0.08725 | 972.19 | 0.46259|

|10 |接受| 0.1 | 0.2218 | 0.085 | 0.090952 | 990.29 | 0.491|

|11 |最佳|0.08 |0.20486 |0.08 |0.079362 |2.5195 |0.291 |

|12 |接受| 0.09 | 0.16831 | 0.08 | 0.08402 | 14.338 | 0.44386|

|13 |接受| 0.1 | 0.35192 | 0.08 | 0.08508 | 0.0022577 | 0.23803|

|14 |接受|0.11 |0.18252 |0.08 |0.087378 |0.2115 |0.32109 |

|15 |最佳| 0.07 | 0.37931 | 0.07 | 0.081507 | 910.2 | 0.25218|

|16 |最佳| 0.065 | 0.21272 | 0.065 | 0.072457 | 953.22 | 0.26253|

|17 |接受|0.075 |0.34893 |0.065 |0.072554 |998.74 |0.23087 |

|18 |接受|0.295 |0.24279 |0.065 |0.072647 |996.18 |44.626 |

|19 |接受| 0.07 | 0.25015 | 0.065 | 0.06946 | 985.37 | 0.27389|

|20 |接受|0.165 |0.23183 |0.065 |0.071622 |0.065103 |0.13679 |

|elscale | | |结果| |运行时|（观察）|（估计）| | ||；971.7 | 999.01|

|22 |接受| 0.61 | 0.31666 | 0.065 | 0.071967 | 0.0010168 | 0.0010005|

|23 |接受| 0.345 | 0.2052 | 0.065 | 0.071959 | 0.0010674 | 999.18|

|24 |接受| 0.35 | 0.19984 | 0.065 | 0.071863 | 0.0010003 | 40.628|

|25 |接受| 0.24 | 0.39655 | 0.065 | 0.072124 | 996.55 | 10.423|

|26 |接受| 0.61 | 0.20282 | 0.065 | 0.072068 | 958.64 | 0.0010026|

|27 |接受|0.47 |0.34322 |0.065 |0.07218 |993.69 |0.029723 |

|28 |接受|0.3 |0.40935 |0.065 |0.072291 |993.15 |170.01 |

|29 |接受| 0.16 | 0.84263 | 0.065 | 0.072104 | 992.81 | 3.8594|

|30 |接受| 0.365 | 0.24255 | 0.065 | 0.072112 | 0.0010017 | 0.044287|

__________________________________________________________优化完成。30 MaxObjectiveEvaluations达到。总功能评价：30总运行时间：80.2722秒。总目标函数评估时间：8.9359最佳观察到的可行点：BoxConstraint KernelScale _____________ ___________ 953.22 0.26253观测目标函数值= 0.065估计目标函数值= 0.072112功能评估时间= 0.21272最佳估计可行点（根据型号）：BoxConstraint KernelScale _____________ ___________ 985.370.27389估计目标函数值= 0.072112估计函数评估时间= 0.27901

svmmod=ClassificationSVM ResponseName:'Y'分类预测值：[]类名：[-1 1 1]ScoreTransform:'none'numberservations:200个超参数优化结果：[1x1 BayesianOptimization]Alpha:[77x1 double]偏差：-0.2352 KernelParameters:[1x1 struct]BoxConstraints:[200x1 double]聚合信息：[1x1 struct]IsSupportVector:[200x1逻辑]解算器：“SMO”属性、方法万博1manbetx

Encuentre拉pérdida德尔莫德洛optimizado。

lossnew=kfoldLoss（fitcsvm（cdata，grp，'CVPartition'分区'，C，'KernelFunction',“径向基函数”,...'BoxConstraint'，svmmod.HyperparameterOptimizationResults.XAtMinObjective.BoxConstraint，...... 'KernelScale'，svmmod.HyperparameterOptimizationResults.XAtMinObjective.KernelScale））

损耗new=0.0650

在“观察者的勇气”中，这是一个不合适的地方。

Visualice el clasificador优化。

d = 0.02;[x1Grid，x2Grid] = meshgrid（分钟（CDATA（：，1））：d：最大（CDATA（：，1）），...最小（cdata（：，2））：d:max（cdata（：，2））；xGrid=[x1Grid（：），x2Grid（：）]；[~，scores]=predict（svmmod，xGrid）；figure；h=nan（3,1）；%Preallocation h（1:2）=gscatter（cdata（：，1），cdata（：，2），grp，'rg'，'+*'）；按住h（3）=绘图（cdata(svmmod.IsSupportVector，1），。。。cdata酒店万博1manbetx(svmmod.IsSupportVector，2），“ko”）；轮廓（x1Grid，x2Grid，重塑（分数（：，2），大小（x1Grid）），[0]，“k”）；图例（h，{'-1'，'+1'，'Support Vectors'}，'Location'，'southerst'）；轴等距

Trazar regiones德probabilidad后对modelos德clasificaciónSVM

Abrir脚本恩体内

模型的后验概率，后验概率，后验概率。后验概率分析法。

Cargue EL CONJUNTO德DATOS德虹膜德费舍尔。Entrena人clasificador山岛拉斯经度Ÿ安丘拉斯德洛斯pétalos，Y elimina拉斯especies virginicas德洛斯DATOS。

负载fisheriris班级保管=~strcmp（物种，'virginica'）;X = MEAS（classKeep，3：4）;Y =物种（classKeep）;

主菜不分主菜和主菜。特别是拉斯克莱斯。

SVMModel=fitcsvm（X，y，'类名'{'刚毛',“花斑癣”});

计算puntuaciónóptima的转换函数。

rng（1）；％的再现性[SVMModel，ScoreParameters] = fitPosterior（SVMModel）;

警告：类完全分开。后验变换的最优得分是一个阶跃函数。

记分参数

ScoreParameters =同场的结构：类型： '步' 下界：-0.8431 UPPERBOUND：0.6897 PositiveClassProbability：0.5000

这是一个很有趣的故事。与之相对应的是一个观察点：dentro de Los hiperplanos de separación de clases（el margen）。下界上界记分参数NINGUNA观察日entrenamiento ESTA迪登特鲁德尔margen。硅UNA努埃瓦分数ESTA EN EL intervalo，EL软件asigna一拉观察correspondiente UNA probabilidad后去化酶positiva，ES decir，EL勇气EN埃尔坎波。PositiveClassProbability记分参数

埃斯帕西奥预测值的定义。后发性猝死的可能性。

XMAX = MAX（X）;XMIN =分钟（X）;d = 0.01;[x1Grid，x2Grid] = meshgrid（XMIN（1）：d：XMAX（1），XMIN（2）：d：XMAX（2））;[〜，PosteriorRegion] =预测（SVMModel，[x1Grid（:)，x2Grid（:)]）;

Trazar拉区德probabilidad后去CLASE positiva和Los DATOS德entrenamiento。

图：轮廓线（x1Grid，x2Grid，...重塑（PosteriorRegion（：，2），尺寸（x1Grid，1），大小（x1Grid，2）））;H =彩条;h.Label.String ='P（{\ {它云芝}}）;h.YLabel.FontSize = 16;CAXIS（[0 1]）;颜色表射流;保持上gscatter（X（：，1），X（：，2）中，Y， 'MC'， 'X'，[15,10]）;SV = X（SVMModel.Is万博1manbetxSupportVector，:);情节（SV（：，1），SV（：，2）， '哟'， 'MarkerSize'，15， '线宽'，2）;轴线抱紧关闭

恩报德aprendizaje DOS clases，SI拉斯clases儿子separables，entonces干草特雷斯regiones：UNA东德拉斯observaciones泰尼恩probabilidad后去化酶positiva，UNA东德ESTA，Y LA OTRA东德ES LA probabilidad前置德拉化酶positiva。0个1个

利用soporte线性向量máquinas分析基因

Abrir脚本恩体内

恩埃斯特ejemplo SE muestra科莫determinarqué时cuadrante日乌纳imagen画质ocupa UNA备考mediante EL entrenamiento日联合国莫德洛德códigos德萨利达日corrección德errores（ECOC）compuesto POR alumnos binarios SVM lineales。埃斯特ejemplotambiénilustra EL consumo德非裔EN迪斯科德洛斯modelos ECOC阙almacenan vectores德soporte，SUS etiquetasÿEL estimado

<数学显示=“块”>

Coeficientes。

达托斯伯爵酒店

Coloque aleatoriamente联合国círculoCON无线电辛科恩UNA imagen画质德50陈健波50哈加5000imágenes。克里UNA etiqueta对CADA imagen画质阙indique EL cuadrante阙ocupa ELcírculo。埃尔cuadrante 1个ESTA烯LA单方面优越derecha，EL cuadrante 2 ESTA烯LA单方面优越左派，EL cuadrante 3 ESTA烯LA单方面劣左派ýEL cuadrante 4烯LA单方面劣derecha。洛杉矶predictores儿子拉斯intensidades德CADA像素。

d=50；%图像的高度和宽度，以像素n=5e4为单位；%样本大小X=0（n，d^2）；%预测矩阵预分配Y=0（n，1）；%标签预分配θ=0:（1/d）：（2*pi）；r=5；%圆半径rng（1）；%对于j=1的再现性：n figmat=0（d）；%空图像c=datasample（（r+1）：（d-r-1），2）；%随机圆中心x=r*cos（θ）+c（1）；%使圆y=r*sin（θ）+c（2）；idx=sub2ind（[d d]，round（y），round（x））；%转换为线性索引figmat（idx）=1；%绘制圆x（j，：）=figmat（：）；%存储数据y（j）=（c（2）>=floor（d/2））+2*（c（2）=楼层（d/2））&（c（2）<楼层（d/2））；%确定象限末端

Trazar UNA观察。

图形于imagesc（figmat）小时=GCA;h.YDir ='正常';标题（sprintf的（'象限％d'，Y（结束）））

电容el modelo ECOC

Utilice UNA muestra德retención德尔25％Y especifique洛杉矶指数日muestra德entrenamientoÿretención。

P = 0.25;CVP = cvpartition（Y，'坚持'，P）;%交叉验证数据分区isIdx=训练（CVP）；%训练样本指数oosIdx=测试（CVP）；%测试样本指数

植物园是比纳里奥斯大学校友的天堂。帕塞洛和洛斯达托斯德entranamiento para enternar el modelo。fitcecoc确定E error de clasificación del ejemplo de entranamiento。

t=模板SVM('保存支持万博1manbetx向量'，true）；MdlSV=fitcecoc（X（isIdx，：），Y（isIdx），'学习者'，t）；isLoss=结果（MdlSV）

isLoss=0

ES联合国莫德洛multiclase entrenado。MdlSV公司分类我的校友比纳里奥。帕拉格兰德斯魔咒的达托斯，科摩洛斯德尔安纳里斯德伊马奇尼斯，埃尔模型普埃德康苏米尔穆哈记忆。

确定espacio和de cantidad的消费模式。

infoMdlSV=谁('MdlSV'）;mbMdlSV = infoMdlSV.bytes / 1.049e6

mbMdlSV = 763.6151

El modelo消耗763,6 MB。

Mejorar拉eficiencia德尔莫德洛

评估人el rendimiento fuera de muestra。También puede evaluar si el modelo se ha sobreajustado con un modelo compactado que no contiene los vectores de soporte，sus parémetros relacionados y los datos de entrenamiento.评估员在索布雷亚贾斯塔多和索普拉贾斯塔多之间的关系。

Deseche洛杉矶vectores德soporte和Losparámetrosrelacionados德尔莫德洛ECOC entrenado。一个continuación，笛卡尔洛杉矶DATOS德entrenamiento德尔莫德洛resultante mediante。契约

Mdl=discardSu万博1manbetxpportVectors（MdlSV）；CMdl=compact（Mdl）；info=whos('Mdl','CMDL'）;[bytesCMdl，bytesMdl] = info.bytes;memReduction = 1  -  [bytesMdl bytesCMdl] /infoMdlSV.bytes

memReduction =1×20.0626 0.9996个

恩埃斯特卡索，descartar洛杉矶vectores德soporte减少EL consumo德MEMORIA连接aproximadamente联合国6％。CompactarŸdescartar vectores德soporte减少EL玉野EN aproximadamente未99,96％。

乌纳备考alternativa德administrar vectores德soporte ES reducir SUSnúmeros杜兰特EL entrenamiento especificando UNArestricción德cuadroMÁS重创，科莫100 Aunque洛杉矶modelos SVM阙utilizan menos vectores德soporte儿子MÁSdeseablesŸconsumen menos MEMORIA，aumentar EL勇气德拉restricción德cuadro tiende一个aumentar时代报德entrenamiento。

特拉巴霍埃斯帕西奥酒店。MdlSV公司MDL

清楚的MDLMdlSV公司

Evaluar EL rendimiento德拉muestra德retención

Calcule EL错误德clasificación德拉muestra德retención。Trazar UNA muestra德拉斯predicciones德ejemplo德retención。

oosLoss=丢失（CMdl，X（oosIdx，：），Y（oosIdx））

oosLoss = 0

yHat=预测（CMdl，X（oosIdx，：））；nVec=1：大小（X，1）；oosIdx=nVec（oosIdx）；图；对于j=1:9子块（3,3，j）图像c（整形（X（oosIdx（j），：），[d]））h=gca；h.YDir='正常';标题（sprintf的（'象限%d'，yHat（j）））结束文本（-1.33 * d，4.5 * d + 1，'预测','字体大小'，17）