CompactClassificationSVM

用于一类和二元分金宝app类的紧凑支持向量机(SVM)

展开全部页面

描述

CompactClassificationSVM是支持向量机(SVM)分类器的紧凑版本。金宝app紧凑分类器不包括用于训练SVM分类器的数据。因此，您不能使用紧凑分类器执行某些任务，例如交叉验证。使用紧凑的SVM分类器来完成诸如预测新数据标签之类的任务。

创建

创建一个CompactClassificationSVM模特出身丰满，训练有素ClassificationSVM分类器紧凑的．

属性

全部展开

支持向量机性能

`α`- - - - - -训练分类器系数
数值向量

此属性是只读的。

训练的分类器系数，指定为年代-by-1数值向量。年代是经过训练的分类器中支持向量的个数金宝app，总和(Mdl.IsS金宝appupportVector)．

α包含从对偶问题训练的分类器系数，即估计的拉格朗日乘子。方法删除重复项RemoveDuplicates的名称-值对参数fitcsvm，那么对于一个给定的重复观测集合，即支持向量，金宝appα包含一个对应于整个集合的系数。也就是MATLAB^®将非零系数属性为一组重复项中的一个观测值，且系数为0集合中所有其他重复的观测值。

数据类型:单|双

`β`- - - - - -线性预测系数
数值向量

此属性是只读的。

线性预测系数，指定为数值向量。的长度β等于用于训练模型的预测器的数量。

MATLAB使用全虚拟编码扩展预测器数据中的分类变量。也就是说，MATLAB为每个分类变量的每一层创建一个虚拟变量。β为每个预测变量(包括虚拟变量)存储一个值。例如，如果有三个预测因子，其中一个是具有三个级别的分类变量，则β是包含五个值的数字向量。

如果KernelParameters。函数是“线性”，然后分类评分进行观察x是

$f （ x ）＝（ x / 年代） ” β + b ．$

Mdl商店β，b,年代在属性中β，偏见,KernelParameters。规模,分别。

要手动估计分类分数，必须首先对训练期间应用的预测器数据应用任何转换。具体来说，如果你指定的话“标准化”,真的当使用fitcsvm，则必须使用平均值手动标准化预测器数据Mdl。μ还有标准差Mdl。σ，然后将结果除以in的核标度Mdl.KernelParameters.Scale．

所有支持向量机函数，如resubPredict而且预测，在估计前应用所需的转换。

如果KernelParameters。函数不是“线性”,然后β为空(［］)．

数据类型:单|双

`偏见`- - - - - -偏见术语
标量

此属性是只读的。

偏差项，指定为标量。

数据类型:单|双

`KernelParameters`- - - - - -内核参数
结构数组

此属性是只读的。

内核参数，指定为结构数组。内核参数属性包含该表中列出的字段。

场	描述
函数	核函数用来计算元素的格拉姆矩阵．详细信息请参见`“KernelFunction”`．
规模	核尺度参数用于缩放模型所训练的预测器数据的所有元素。详细信息请参见`“KernelScale”`．

的值KernelParameters，使用点表示法。例如,Mdl.KernelParameters.Scale显示内核比例参数值。

软件接受KernelParameters作为输入，不修改它们。

数据类型:结构体

`金宝appSupportVectorLabels`- - - - - -金宝app支持向量类标签
年代-by-1数值向量

此属性是只读的。

金宝app支持向量类标签，指定为年代-by-1数值向量。年代是经过训练的分类器中支持向量的个数金宝app，总和(Mdl.IsS金宝appupportVector)．

值为＋1在金宝appSupportVectorLabels指示对应的支持向量属于正类(金宝app一会{2})．值为1指示对应的支持向量属于负类(金宝app一会{1})．

方法删除重复项RemoveDuplicates的名称-值对参数fitcsvm，那么对于一个给定的重复观测集合，即支持向量，金宝app金宝appSupportVectorLabels包含一个唯一的支持向量标签。金宝app

数据类型:单|双

`金宝appSupportVectors`- - - - - -金宝app支持向量
年代——- - - - - -p数字矩阵

此属性是只读的。

金宝app已训练分类器中的支持向量，指定为年代——- - - - - -p数字矩阵。年代是经过训练的分类器中支持向量的个数金宝app，总和(Mdl.IsS金宝appupportVector),p是预测器数据中预测器变量的数量。

金宝appSupportVectors包含预测器数据行XMATLAB认为是支持向量。金宝app如果你指定“标准化”,真的训练SVM分类器时使用fitcsvm,然后金宝appSupportVectors的标准化行X．

方法删除重复项RemoveDuplicates的名称-值对参数fitcsvm，那么对于一个给定的重复观测集合，即支持向量，金宝app金宝appSupportVectors包含一个唯一的支持向量。金宝app

数据类型:单|双

其他分类属性

`CategoricalPredictors`- - - - - -分类预测指标
正整数向量|`［］`

此属性是只读的。

分类预测指标，指定为正整数向量。CategoricalPredictors包含与包含分类预测器的预测器数据列对应的索引值。如果没有一个预测符是分类的，则此属性为空(［］)．

数据类型:单|双

`一会`- - - - - -唯一的类标签
分类数组|字符数组|逻辑向量|数值向量|字符向量的单元格数组

此属性是只读的。

训练模型时使用的唯一类标签，指定为类别或字符数组、逻辑或数字向量或字符向量的单元格数组。

数据类型:单|双|逻辑|字符|细胞|分类

`成本`- - - - - -误分类代价
数字方阵

此属性是只读的。

错误分类代价，指定为数字方阵，其中成本(i, j)将一个点分类的成本是多少j如果它真正的阶级是我．

在训练过程中，软件通过合并成本矩阵中描述的惩罚来更新先验概率。

对于两节课的学习，成本总是有这样的形式:成本(i,j) = 1如果I ~= j,Cost(i,j) = 0如果I = j．行对应真实的类，列对应预测的类。的行和列的顺序成本中类的顺序对应一会．
对于单课学习，成本= 0．

详情请参见算法．

数据类型:双

`ExpandedPredictorNames`- - - - - -扩展的预测器名称
字符向量的单元格数组

此属性是只读的。

扩展的预测器名称，指定为字符向量的单元格数组。

如果模型对分类变量使用哑变量编码，则ExpandedPredictorNames包括描述展开变量的名称。否则,ExpandedPredictorNames和PredictorNames．

数据类型:细胞

`μ`- - - - - -预测方法
数值向量|`［］`

此属性是只读的。

预测器的意思是，指定为数字向量。如果你指定“标准化”,1或“标准化”,真的当你训练SVM分类器时使用fitcsvm的长度μ等于预测因子的数量。

MATLAB使用全虚拟编码扩展预测器数据中的分类变量。也就是说，MATLAB为每个分类变量的每一层创建一个虚拟变量。μ为每个预测变量(包括虚拟变量)存储一个值。但是，MATLAB没有对包含分类变量的列进行标准化。

如果你设置“标准化”,假的当你训练SVM分类器时使用fitcsvm,然后μ是空向量(［］)．

数据类型:单|双

`PredictorNames`- - - - - -预测变量名称
字符向量的单元格数组

此属性是只读的。

预测器变量名，指定为字符向量的单元格数组。元素的顺序PredictorNames对应于预测器名称在训练数据中出现的顺序。

数据类型:细胞

`之前`- - - - - -先验概率
数值向量

此属性是只读的。

每种类别的先验概率，用数字向量表示。元素的顺序之前对应于的元素Mdl。一会．

对于两类学习，如果你指定了一个成本矩阵，那么软件会通过合并成本矩阵中描述的惩罚来更新先验概率。

详情请参见算法．

数据类型:单|双

`ScoreTransform`- - - - - -分数转换
特征向量|函数处理

分数转换，指定为字符向量或函数句柄。ScoreTransform表示用于转换预测分类分数的内置转换函数或函数句柄。

将分数转换函数更改为函数例如，使用点表示法。

对于内置函数，请输入字符向量。

Mdl。ScoreTransform = '函数”;

该表描述了可使用的内置函数。

价值	描述
`“doublelogit”`	1 / (1 +e^2x）
`“invlogit”`	日志(x/ (1 -x）)
`“ismax”`	将得分最大的类的得分设置为1，并将所有其他类的得分设置为0
`分对数的`	1 / (1 +e^{- - - - - -x}）
`“没有”`或`“身份”`	x(转换)
`“标志”`	1x< 0 为0x= 0 1x> 0
`“对称”`	2x- 1
`“symmetricismax”`	将得分最大的类的得分设置为1，并将所有其他类的得分设置为-1
`“symmetriclogit”`	2 / (1 +e^{- - - - - -x}) - 1

对于MATLAB函数或您定义的函数，输入其函数句柄。
```
Mdl。ScoreTransform = @函数；
```
函数应该接受一个矩阵(原始分数)并返回一个相同大小的矩阵(转换后的分数)。

数据类型:字符|function_handle

`σ`- - - - - -预测标准偏差
`［］`(默认)|数值向量

此属性是只读的。

预测器标准偏差，指定为数值向量。

如果你指定“标准化”,真的当你训练SVM分类器时使用fitcsvm的长度σ等于预测变量的个数。

MATLAB使用全虚拟编码扩展预测器数据中的分类变量。也就是说，MATLAB为每个分类变量的每一层创建一个虚拟变量。σ为每个预测变量(包括虚拟变量)存储一个值。但是，MATLAB没有对包含分类变量的列进行标准化。

如果你设置“标准化”,假的当你训练SVM分类器时使用fitcsvm,然后σ是空向量(［］)．

数据类型:单|双

对象的功能

`compareHoldout`	比较使用新数据的两种分类模型的准确性
`discard金宝appSupportVectors`	线性支持向量机分金宝app类器的支持向量弃用
`边缘`	为支持向量机分类器找到分类边金宝app
`fitPosterior`	紧凑型支持向量机(SVM)分类器的后验概率拟合金宝app
`incrementalLearner`	将二元分类支持向量机(SVM)模型转化为增量学习器金宝app
`损失`	找出支持向量机分类器的分类误差金宝app
`保证金`	为支持向量机分类器找到分类边界金宝app
`partialDependence`	计算部分依赖关系
`plotPartialDependence`	创建部分依赖图(PDP)和个别条件期望图(ICE)
`预测`	利用支持向量机(SVM)分类器对观测数据进行分类金宝app
`更新`	更新用于代码生成的模型参数

例子

全部折叠

减少SVM分类器的大小

打开实时脚本

通过移除训练数据来减小完整SVM分类器的大小。完整的SVM分类器(即，ClassificationSVM分类器)保存训练数据。为了提高效率，可以使用较小的分类器。

加载电离层数据集。

负载电离层

训练SVM分类器。标准化预测器数据并指定类的顺序。

SVMModel = fitcsvm(X,Y，“标准化”,真的,.．.“类名”, {“b”，‘g’})

SVMModel = ClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' NumObservations: 351 Alpha: [90x1 double] Bias: -0.1343 KernelParameters: [1x1 struct] Mu: [1x34 double] Sigma: [1x34 double] BoxConstraints: [351x1 double] ConvergenceInfo: [1x1 struct] Is金宝appSupportVector: [351x1 logical] Solver: 'SMO' Properties, Methods

SVMModel是一个ClassificationSVM分类器。

减小SVM分类器的大小。

CompactSVMModel = compact(vmmodel)

CompactSVMModel = CompactClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' Alpha: [90x1 double]偏差:-0.1343 KernelParameters: [1x1 struct] Mu: [1x34 double] Sigma: [1x34 double] Supp金宝apportVectors: [90x34 double] SupportVectorLabels: [90x1 double] Properties, Methods

CompactSVMModel是一个CompactClassificationSVM分类器。

显示每个分类器使用的内存量。

谁(“SVMModel”，“CompactSVMModel”）

名称大小字节分类属性CompactSVMModel 1x1 31058 classreg.learning.classif.CompactClassificationSVM vmmodel 1x1 141148 ClassificationSVM

完整的SVM分类器(SVMModel)比紧凑的SVM分类器(CompactSVMModel)．

为了有效地标记新的观察结果，您可以删除SVMModel从MATLAB®工作区，然后传递CompactSVMModel和新的预测值预测．

要进一步减小紧凑SVM分类器的大小，请使用discard金宝appSupportVectors函数丢弃支持向量。金宝app

训练和交叉验证SVM分类器

打开实时脚本

加载电离层数据集。

负载电离层

训练并交叉验证SVM分类器。标准化预测器数据并指定类的顺序。

rng (1);%用于再现性CVSVMModel = fitcsvm(X,Y，“标准化”,真的,.．.“类名”, {“b”，‘g’}，“CrossVal”，“上”）

CVSVMModel = ClassificationPartitionedModel CrossValidatedModel: 'SVM' PredictorNames: {1x34 cell} ResponseName: 'Y' NumObservations: 351 KFold: 10 Partition: [1x1 cvpartition] ClassNames: {'b' 'g'} ScoreTransform: 'none'属性，方法

CVSVMModel是一个ClassificationPartitionedModel交叉验证SVM分类器。默认情况下，该软件实现了10次交叉验证。

或者，你可以交叉验证一个训练过的ClassificationSVM分类器crossval．

使用点符号检查一个训练好的折叠。

CVSVMModel。训练有素的{1}

ans = CompactClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' Alpha: [78x1 double]偏差:-0.2209 KernelParameters: [1x1 struct] Mu: [1x34 double] Sigma: [1x34 double] Supp金宝apportVectors: [78x34 double] SupportVectorLabels: [78x1 double] Properties, Methods

每条折线都是CompactClassificationSVM分类器训练了90%的数据。

估计泛化误差。

生成器= kfoldLoss(CVSVMModel)

genError = 0.1168

平均而言，泛化误差约为12%。

参考文献

哈斯蒂、T.、R.蒂布谢拉尼和J.弗里德曼。统计学习的要素，第二版。纽约:施普林格，2008。

[2]肖科普夫，B. J. C.普拉特，J. C.肖-泰勒，A. J.斯莫拉和R. C.威廉姆森。“估算高维分布的支持度”金宝app神经计算．第13卷，第7期，2001，第1443-1471页。

[3]克里斯汀尼，N.和J. C.肖-泰勒。支持向量机和其他基于核的学习方法简介金宝app．英国剑桥:剑桥大学出版社，2000年。

[4]肖科普夫，B.和A.斯莫拉。核学习:支持向量机，正则化，优化及超越，自适应金宝app计算和机器学习。马萨诸塞州剑桥:麻省理工学院出版社，2002年。

扩展功能

C/ c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项和限制:

的预测而且更新函数支持代码生成。金宝app
将支持向量机分类模型的预测集成到Simulink中金宝app^®，你可以使用ClassificationSVM预测的统计和机器学习工具箱™库中的函数块或MATLAB函数块预测函数。
当你训练SVM模型时使用fitcsvm，则适用以下限制。
- 类标记输入参数值(Y)不能是分类数组。
- 代码生成不支持分类预测器(金宝app逻辑，分类，字符，字符串,或细胞)．如果在表中提供训练数据，则预测器必须是数字(双或单)．而且，不能使用“CategoricalPredictors”名称-值对参数。若要在模型中包含分类预测器，请使用dummyvar在拟合模型之前。
- 的值“类名”名称-值对参数不能为分类数组。
- 的值“ScoreTransform”名称-值对参数不能是匿名函数。为了生成代码来预测给定新观测的后验概率，将训练好的SVM模型传递给fitPosterior或fitSVMPosterior．的ScoreTransform属性包含一个匿名函数，该函数表示分数到后验概率函数，并配置为用于代码生成。
- 对于定点代码生成，的值“ScoreTransform”不能为名称-值对参数“invlogit”．的值“KernelFunction”名称-值对参数必须为“高斯”，“线性”,或多项式的．

有关更多信息，请参见代码生成简介．

另请参阅

ClassificationSVM|紧凑的|discard金宝appSupportVectors|fitcsvm

主题

在R2014a中引入

CompactClassificationSVM

描述

创建

属性

支持向量机性能

`α`- - - - - -训练分类器系数
数值向量

`β`- - - - - -线性预测系数
数值向量

`偏见`- - - - - -偏见术语
标量

`KernelParameters`- - - - - -内核参数
结构数组

`金宝appSupportVectorLabels`- - - - - -金宝app支持向量类标签
年代-by-1数值向量

`金宝appSupportVectors`- - - - - -金宝app支持向量
年代——- - - - - -p数字矩阵

其他分类属性

`CategoricalPredictors`- - - - - -分类预测指标
正整数向量|`［］`

`一会`- - - - - -唯一的类标签
分类数组|字符数组|逻辑向量|数值向量|字符向量的单元格数组

`成本`- - - - - -误分类代价
数字方阵

`ExpandedPredictorNames`- - - - - -扩展的预测器名称
字符向量的单元格数组

`μ`- - - - - -预测方法
数值向量|`［］`

`PredictorNames`- - - - - -预测变量名称
字符向量的单元格数组

`之前`- - - - - -先验概率
数值向量

`ScoreTransform`- - - - - -分数转换
特征向量|函数处理

`σ`- - - - - -预测标准偏差
`［］`(默认)|数值向量

对象的功能

例子

减少SVM分类器的大小

训练和交叉验证SVM分类器

参考文献

扩展功能

C/ c++代码生成
使用MATLAB®Coder™生成C和c++代码。

另请参阅

主题

统计和机器学习工具箱文档

金宝app

试试MATLAB、Sim金宝appulink和其他产品下载188bet金宝搏

CompactClassificationSVM

描述

创建

属性

支持向量机性能

α- - - - - -训练分类器系数数值向量

β- - - - - -线性预测系数数值向量

偏见- - - - - -偏见术语标量

KernelParameters- - - - - -内核参数结构数组

金宝appSupportVectorLabels- - - - - -金宝app支持向量类标签年代-by-1数值向量

金宝appSupportVectors- - - - - -金宝app支持向量年代——- - - - - -p数字矩阵

其他分类属性

CategoricalPredictors- - - - - -分类预测指标正整数向量|［］

一会- - - - - -唯一的类标签分类数组|字符数组|逻辑向量|数值向量|字符向量的单元格数组

成本- - - - - -误分类代价数字方阵

ExpandedPredictorNames- - - - - -扩展的预测器名称字符向量的单元格数组

μ- - - - - -预测方法数值向量|［］

PredictorNames- - - - - -预测变量名称字符向量的单元格数组

之前- - - - - -先验概率数值向量

ScoreTransform- - - - - -分数转换特征向量|函数处理

σ- - - - - -预测标准偏差［］(默认)|数值向量

对象的功能

例子

减少SVM分类器的大小

训练和交叉验证SVM分类器

参考文献

扩展功能

C/ c++代码生成使用MATLAB®Coder™生成C和c++代码。

另请参阅

主题

统计和机器学习工具箱文档

金宝app

试试MATLAB、Sim金宝appulink和其他产品下载188bet金宝搏

`α`- - - - - -训练分类器系数
数值向量

`β`- - - - - -线性预测系数
数值向量

`偏见`- - - - - -偏见术语
标量

`KernelParameters`- - - - - -内核参数
结构数组

`金宝appSupportVectorLabels`- - - - - -金宝app支持向量类标签
年代-by-1数值向量

`金宝appSupportVectors`- - - - - -金宝app支持向量
年代——- - - - - -p数字矩阵

`CategoricalPredictors`- - - - - -分类预测指标
正整数向量|`［］`

`一会`- - - - - -唯一的类标签
分类数组|字符数组|逻辑向量|数值向量|字符向量的单元格数组

`成本`- - - - - -误分类代价
数字方阵

`ExpandedPredictorNames`- - - - - -扩展的预测器名称
字符向量的单元格数组

`μ`- - - - - -预测方法
数值向量|`［］`

`PredictorNames`- - - - - -预测变量名称
字符向量的单元格数组

`之前`- - - - - -先验概率
数值向量

`ScoreTransform`- - - - - -分数转换
特征向量|函数处理

`σ`- - - - - -预测标准偏差
`［］`(默认)|数值向量

C/ c++代码生成
使用MATLAB®Coder™生成C和c++代码。