Подходящие апостериорные вероятности для классификатора машины вектора поддержки (SVM)
ScoreSVMModel = fitPosterior(SVMModel)
[ScoreSVMModel,ScoreTransform]
= fitPosterior(SVMModel)
[ScoreSVMModel,ScoreTransform]
= fitPosterior(SVMModel,Name,Value)
возвращает обученный классификатор машины вектора поддержки (SVM) ScoreSVMModel
= fitPosterior(SVMModel
)ScoreSVMModel
, содержащий оптимальный счет к функции преобразования апостериорной вероятности для изучения 2D класса. Для получения дополнительной информации см. Алгоритмы.
[
дополнительно возвращает оптимальный счет в параметры функции преобразования апостериорной вероятности.ScoreSVMModel
,ScoreTransform
]
= fitPosterior(SVMModel
)
[
дополнительные опции использования заданы одним или несколькими аргументами пары "имя-значение". Например, можно задать количество сгибов или демонстрационной пропорции затяжки.ScoreSVMModel
,ScoreTransform
]
= fitPosterior(SVMModel
,Name,Value
)
Этот процесс описывает один способ предсказать положительные апостериорные вероятности класса.
Обучите классификатор SVM путем передачи данных fitcsvm
. Результатом является обученный классификатор SVM, такой как SVMModel
, который хранит данные. Программное обеспечение устанавливает свойство функции преобразования счета (SVMModel.ScoreTransformation
) на none
.
Передайте обученный классификатор SVM SVMModel
fitSVMPosterior
или fitPosterior
. Результатом, такой как, ScoreSVMModel
, является обученный классификатор того же самого SVM, когда SVMModel
, кроме программного обеспечения устанавливает ScoreSVMModel.ScoreTransformation
на оптимальную функцию преобразования счета.
Передайте матрицу данных предиктора и обученный классификатор SVM, содержащий оптимальную функцию преобразования счета (ScoreSVMModel
) к predict
. Второй столбец во втором выходном аргументе predict
хранит положительные апостериорные вероятности класса, соответствующие каждой строке матрицы данных предиктора.
Если вы пропускаете шаг 2, то predict
возвращает положительный счет класса, а не положительную апостериорную вероятность класса.
После подбора кривой апостериорным вероятностям можно сгенерировать код C/C++, который предсказывает метки для новых данных. Генерация кода C/C++ требует MATLAB® Coder™. Для получения дополнительной информации смотрите Введение в Генерацию кода.
Программное обеспечение соответствует соответствующему счету к функции преобразования апостериорной вероятности при помощи классификатора SVM, который SVMModel
и путем проведения 10-кратной перекрестной проверки с помощью хранимых данных о предикторе (SVMModel.X
) и класс маркирует (SVMModel.Y
), как обрисовано в общих чертах в [1]. Функция преобразования вычисляет апостериорную вероятность, что наблюдение классифицируется в положительный класс (SVMModel.Classnames(2)
).
Если классы неотделимы, то функция преобразования является сигмоидальной функцией.
Если классы совершенно отделимы, то функция преобразования является ступенчатой функцией.
В изучении 2D класса, если один из этих двух классов имеет относительную частоту 0, то функция преобразования является постоянной функцией. Функция fitPosterior
не подходит для изучения одного класса.
Программное обеспечение хранит оптимальный счет к функции преобразования апостериорной вероятности в ScoreSVMModel.ScoreTransform
.
Если вы повторно оцениваете счет к функции преобразования апостериорной вероятности, то есть, если вы передаете классификатор SVM fitPosterior
или fitSVMPosterior
, и его свойством ScoreTransform
не является none
, то программное обеспечение:
Выводит предупреждение
Сбрасывает исходную функцию преобразования к 'none'
прежде, чем оценить новый
Можно также соответствовать функции апостериорной вероятности при помощи fitSVMPosterior
. Эта функция подобна fitPosterior
, кроме него более широко, потому что это принимает более широкую область значений типов классификатора SVM.
[1] Платт, J. “Вероятностные выходные параметры для машин вектора поддержки и сравнений с упорядоченными методами вероятности”. Усовершенствования в Больших Граничных Классификаторах. Кембридж, MA: Нажатие MIT, 2000, стр 61–74.