Найдите ошибку классификации для классификатора машины вектора поддержки (SVM)
L = loss(SVMModel,TBL,ResponseVarName)
L = loss(SVMModel,TBL,Y)
L = loss(SVMModel,X,Y)
L = loss(___,Name,Value)
возвращает ошибку классификации (см. Потерю Классификации), скалярное представление, как хорошо обученный классификатор машины вектора поддержки (SVM) (L
= loss(SVMModel
,TBL
,ResponseVarName
)SVMModel
) классифицирует данные о предикторе на таблицу TBL
по сравнению с истинными метками класса в TBL.ResponseVarName
.
loss
нормирует вероятности класса в TBL.ResponseVarName
к предшествующим вероятностям класса, что fitcsvm
использовал для обучения, сохраненного в свойстве Prior
SVMModel
.
Потеря классификации (L
) является обобщением или качественной мерой по перезамене. Его интерпретация зависит от функции потерь и схемы взвешивания, но в целом лучшие классификаторы приводят к меньшим значениям классификации потерь.
задает опции с помощью одного или нескольких аргументов пары "имя-значение" в дополнение к входным параметрам в предыдущих синтаксисах. Например, можно задать функцию потерь и веса классификации.L
= loss(___,Name,Value
)
Загрузите набор данных ionosphere
.
load ionosphere rng(1); % For reproducibility
Обучите классификатор SVM. Задайте 15%-ю выборку затяжки для тестирования, стандартизируйте данные и укажите, что 'g'
является положительным классом.
CVSVMModel = fitcsvm(X,Y,'Holdout',0.15,'ClassNames',{'b','g'},... 'Standardize',true); CompactSVMModel = CVSVMModel.Trained{1}; % Extract the trained, compact classifier testInds = test(CVSVMModel.Partition); % Extract the test indices XTest = X(testInds,:); YTest = Y(testInds,:);
CVSVMModel
является классификатором ClassificationPartitionedModel
. Это содержит свойство Trained
, которое является массивом ячеек 1 на 1, содержащим классификатор CompactClassificationSVM
, что программное обеспечение обучило использование набора обучающих данных.
Определите, как хорошо алгоритм делает вывод путем оценки тестовой ошибки классификации выборок.
L = loss(CompactSVMModel,XTest,YTest)
L = 0.0787
Классификатор SVM неправильно классифицирует приблизительно 8% тестовой выборки.
Загрузите набор данных ionosphere
.
load ionosphere rng(1); % For reproducibility
Обучите классификатор SVM. Задайте 15%-ю выборку затяжки для тестирования, стандартизируйте данные и укажите, что 'g'
является положительным классом.
CVSVMModel = fitcsvm(X,Y,'Holdout',0.15,'ClassNames',{'b','g'},... 'Standardize',true); CompactSVMModel = CVSVMModel.Trained{1}; % Extract the trained, compact classifier testInds = test(CVSVMModel.Partition); % Extract the test indices XTest = X(testInds,:); YTest = Y(testInds,:);
CVSVMModel
является классификатором ClassificationPartitionedModel
. Это содержит свойство Trained
, которое является массивом ячеек 1 на 1, содержащим классификатор CompactClassificationSVM
, что программное обеспечение обучило использование набора обучающих данных.
Определите, как хорошо алгоритм делает вывод путем оценки тестовой демонстрационной потери стержня.
L = loss(CompactSVMModel,XTest,YTest,'LossFun','hinge')
L = 0.2998
Потеря стержня - приблизительно 0,3. Классификаторы с потерями стержня близко к 0 предпочтены.
SVMModel
— Модель классификации SVMClassificationSVM
| объект модели CompactClassificationSVM
Модель классификации SVM, заданная как объект модели ClassificationSVM
или объект модели CompactClassificationSVM
, возвращенный fitcsvm
или compact
, соответственно.
Tbl
Выборочные данныеВыборочные данные, заданные как таблица. Каждая строка TBL
соответствует одному наблюдению, и каждый столбец соответствует одной переменной прогноза. Опционально, TBL
может содержать дополнительные столбцы для весов наблюдения и переменной отклика. TBL
должен содержать все предикторы, используемые, чтобы обучить SVMModel
. Многостолбцовые переменные и массивы ячеек кроме массивов ячеек из символьных векторов не позволены.
Если TBL
содержит переменную отклика, используемую, чтобы обучить SVMModel
, то вы не должны задавать ResponseVarName
или Y
.
Если бы вы обучили SVMModel
с помощью выборочных данных, содержавшихся в таблице, то входные данные для loss
должны также быть в таблице.
Если вы устанавливаете 'Standardize',true
в fitcsvm
, когда учебный SVMModel
, то программное обеспечение стандартизирует столбцы данных о предикторе с помощью соответствующих средних значений в SVMModel.Mu
и стандартных отклонений в SVMModel.Sigma
.
Типы данных: table
ResponseVarName
— Имя переменной откликаTBL
Имя переменной отклика, заданное как имя переменной в TBL
.
Необходимо задать ResponseVarName
как вектор символов или представить скаляр в виде строки. Например, если переменная отклика, Y
хранится как TBL.Y
, то задают ResponseVarName
как 'Y'
. В противном случае программное обеспечение обрабатывает все столбцы TBL
, включая Y
, как предикторы когда обучение модель.
Переменная отклика должна быть категориальным, символом, или массивом строк, логическим или числовым вектором или массивом ячеек из символьных векторов. Если переменная отклика является символьным массивом, то каждый элемент должен соответствовать одной строке массива.
Типы данных: char | string
X
Данные о предиктореДанные о предикторе, заданные как числовая матрица.
Каждая строка X
соответствует одному наблюдению (также известный как экземпляр или пример), и каждый столбец соответствует одной переменной (также известный как функцию). Переменные в столбцах X
должны совпасть с переменными, которые обучили классификатор SVMModel
.
Длина Y
и количество строк в X
должны быть равными.
Если вы устанавливаете 'Standardize',true
в fitcsvm
обучать SVMModel
, то программное обеспечение стандартизирует столбцы X
с помощью соответствующих средних значений в SVMModel.Mu
и стандартных отклонений в SVMModel.Sigma
.
Типы данных: double | single
Y
Метки классаМетки класса, заданные как категориальное, символ, или массив строк, логический или числовой вектор или массив ячеек из символьных векторов. Y
должен совпасть с типом данных SVMModel.ClassNames
. (Программное обеспечение обрабатывает строковые массивы как массивы ячеек из символьных векторов.)
Длина Y
должна равняться количеству строк в TBL
или количеству строк в X
.
Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми.
Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение.
Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.
loss(SVMModel,TBL,Y,'Weights',W)
взвешивает наблюдения в каждой строке TBL
с помощью соответствующего веса в каждой строке переменной W
в TBL
.'LossFun'
— Функция потерь'classiferror'
(значение по умолчанию) | 'binodeviance'
| 'exponential'
| 'hinge'
| 'logit'
| 'mincost'
| 'quadratic'
| указатель на функциюФункция потерь, заданная как пара, разделенная запятой, состоящая из 'LossFun'
и встроенного имени функции потерь или указателя на функцию.
Эта таблица приводит доступные функции потерь. Задайте тот с помощью его соответствующего вектора символов или представьте скаляр в виде строки.
Значение | Описание |
---|---|
'binodeviance' | Биномиальное отклонение |
'classiferror' | Ошибка классификации |
'exponential' | Экспоненциал |
'hinge' | Стержень |
'logit' | Логистический |
'mincost' | Минимальный ожидал стоимость misclassification (для очков классификации, которые являются апостериорными вероятностями), |
'quadratic' | Квадратичный |
'mincost'
подходит для очков классификации, которые являются апостериорными вероятностями. Можно задать, чтобы использовать апостериорные вероятности в качестве музыки классификации к моделям SVM установкой 'FitPosterior',true
, когда вы перекрестный подтверждаете модель с помощью fitcsvm
.
Задайте свою собственную функцию при помощи обозначения указателя на функцию.
Предположим, что n
является количеством наблюдений в X
, и K
является количеством отличных классов (numel(SVMModel.ClassNames)
), используемый, чтобы создать входную модель (SVMModel
). Ваша функция должна иметь эту подпись
lossvalue = lossfun
(C,S,W,Cost)
Выходным аргументом lossvalue
является скаляр.
Вы выбираете имя функции (lossfun
).
C
является n
-by-K
логическая матрица со строками, указывающими на класс, которому принадлежит соответствующее наблюдение. Порядок следования столбцов соответствует порядку класса в SVMModel.ClassNames
.
Создайте C
установкой C(p,q) = 1
, если наблюдение p
находится в классе q
для каждой строки. Установите все другие элементы строки p
к 0
.
S
является n
-by-K
числовая матрица очков классификации, подобных выводу predict
. Порядок следования столбцов соответствует порядку класса в SVMModel.ClassNames
.
W
является n
-by-1 числовой вектор весов наблюдения. Если вы передаете W
, программное обеспечение нормирует веса, чтобы суммировать к 1
.
Cost
является K
-by-K
числовая матрица затрат misclassification. Например, Cost = ones(K) – eye(K)
задает стоимость 0
для правильной классификации и 1
для misclassification.
Задайте свою функцию с помощью
.'LossFun',@lossfun
Для получения дополнительной информации на функциях потерь, смотрите Потерю Классификации.
Пример: 'LossFun','binodeviance'
Типы данных: char
| string
| function_handle
'Weights'
— Веса наблюденияones(size(X,1),1)
(значение по умолчанию) | числовой вектор | имя переменной в TBL
Веса наблюдения, заданные как пара, разделенная запятой, состоящая из 'Weights'
и числового вектора или имени переменной в TBL
. Программное обеспечение взвешивает наблюдения в каждой строке X
или TBL
с соответствующим весом в Weights
.
Если вы задаете Weights
как числовой вектор, то размер Weights
должен быть равен количеству строк в X
или TBL
.
Если вы задаете Weights
как имя переменной в TBL
, необходимо сделать так как вектор символов или представить скаляр в виде строки. Например, если веса хранятся как TBL.W
, то задают Weights
как 'W'
. В противном случае программное обеспечение обрабатывает все столбцы TBL
, включая TBL.W
, как предикторы.
Если вы не задаете свою собственную функцию потерь, то программное обеспечение нормирует Weights
, чтобы суммировать до значения априорной вероятности в соответствующем классе.
Пример: 'Weights','W'
Типы данных: single
| double
| char
| string
Функции Classification loss измеряют прогнозирующую погрешность моделей классификации. Когда вы сравниваете тот же тип потери среди многих моделей, более низкая потеря указывает на лучшую прогнозирующую модель.
Рассмотрите следующий сценарий.
L является средневзвешенной потерей классификации.
n является объемом выборки.
Для бинарной классификации:
yj является наблюдаемой меткой класса. Программные коды это как –1 или 1, указывая на отрицательный или положительный класс, соответственно.
f (Xj) является необработанным счетом классификации к наблюдению (строка) j данных о предикторе X.
mj = yj f (Xj) является счетом классификации к классификации наблюдения j в класс, соответствующий yj. Положительные значения mj указывают на правильную классификацию и не способствуют очень средней потере. Отрицательные величины mj указывают на неправильную классификацию и значительно способствуют средней потере.
Для алгоритмов, которые поддерживают классификацию мультиклассов (то есть, K ≥ 3):
yj* является вектором K – 1 нуль, с 1 в положении, соответствующем истинному, наблюдаемому классу yj. Например, если истинный класс второго наблюдения является третьим классом и K = 4, то y *2 = [0 0 1 0] ′. Порядок классов соответствует порядку в свойстве ClassNames
входной модели.
f (Xj) является длиной вектор K музыки класса к наблюдению j данных о предикторе X. Порядок очков соответствует порядку классов в свойстве ClassNames
входной модели.
mj = yj* ′ f (Xj). Поэтому mj является скалярным счетом классификации, который модель предсказывает для истинного, наблюдаемого класса.
Весом для наблюдения j является wj. Программное обеспечение нормирует веса наблюдения так, чтобы они суммировали к соответствующей предшествующей вероятности класса. Программное обеспечение также нормирует априорные вероятности, таким образом, они суммируют к 1. Поэтому
Учитывая этот сценарий, следующая таблица описывает поддерживаемые функции потерь, которые можно задать при помощи аргумента пары "имя-значение" 'LossFun'
.
Функция потерь | Значение LossFun | Уравнение |
---|---|---|
Биномиальное отклонение | 'binodeviance' | |
Экспоненциальная потеря | 'exponential' | |
Ошибка классификации | 'classiferror' | Это - взвешенная часть неправильно классифицированных наблюдений где метка класса, соответствующая классу с максимальной апостериорной вероятностью. I {x} является функцией индикатора. |
Потеря стержня | 'hinge' | |
Потеря логита | 'logit' | |
Минимальная стоимость | 'mincost' | Минимальная стоимость. Программное обеспечение вычисляет взвешенную минимальную стоимость с помощью этой процедуры для наблюдений j = 1..., n.
Взвешенная, средняя, минимальная потеря стоимости |
Квадратичная потеря | 'quadratic' |
Эта фигура сравнивает функции потерь (кроме 'mincost'
) для одного наблюдения по m. Некоторые функции нормированы, чтобы пройти [0,1].
classification score SVM для классификации наблюдения x является расстоянием со знаком от x до контура решения в пределах от - ∞ к + ∞. Положительный счет к классу указывает, что x предсказан, чтобы быть в том классе. Отрицательный счет указывает в противном случае.
Положительный счет классификации классов обученная функция классификации SVM. также числовой, предсказанный ответ для x или счет к предсказанию x в положительный класс.
где предполагаемые параметры SVM, скалярное произведение на пробеле предиктора между x и векторами поддержки, и сумма включает наблюдения набора обучающих данных. Отрицательный счет классификации классов к x или счет к предсказанию x в отрицательный класс, является –f (x).
Если G (xj, x) = xj ′x (линейное ядро), то функция счета уменьшает до
s является шкалой ядра, и β является вектором подходящих линейных коэффициентов.
Для получения дополнительной информации смотрите Машины Вектора Поддержки Понимания.
[1] Hastie, T., Р. Тибширэни и Дж. Фридман. Элементы Статистического Изучения, второго выпуска. Спрингер, Нью-Йорк, 2008.
Эта функция полностью поддерживает "высокие" массивы. Для получения дополнительной информации смотрите Длинные массивы (MATLAB).
Эта функция полностью поддерживает массивы графического процессора. Для получения дополнительной информации смотрите функции MATLAB Выполнения на графическом процессоре (Parallel Computing Toolbox).
ClassificationSVM
| CompactClassificationSVM
| fitcsvm
| predict
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.