Классифицируйте наблюдения с помощью классификатора машины опорных векторов (SVM) для и бинарной классификации одного класса
Statistics and Machine Learning Toolbox / Классификация
Блок ClassificationSVM Predict классифицирует наблюдения с помощью объекта ClassificationSVM
классификации SVM и его объектная функция
predict
для одного класса и 2D класса (двоичный файл) классификация.
Импортируйте обученный объект классификации SVM в блок путем определения имени переменной рабочей области, которая содержит ClassificationSVM
объект. Входной порт X получает наблюдение (данные о предикторе), и выходной порт Label, возвращает предсказанную метку класса для наблюдения. Можно добавить дополнительный выходной порт Score, который возвращает предсказанные баллы класса или апостериорные вероятности.
X
— Данные о предиктореДанные о предикторе в виде вектор-столбца или вектора-строки из одного наблюдения.
Переменные в X должны иметь тот же порядок как переменные предикторы, которые обучили модель SVM, заданную Select trained machine learning model
.
Если вы устанавливаете 'Standardize',true
\in fitcsvm
когда обучение модель SVM, затем блок ClassificationSVM Predict стандартизирует значения X с помощью средних значений и стандартных отклонений в Mu
и Sigma
свойства (соответственно) модели SVM.
Типы данных: single
| double
| int8
| int16
| int32
| int64
| uint8
| uint16
| uint32
| uint64
| Boolean
| fixed point
Label
— Предсказанная метка классаПредсказанная метка класса, возвращенная как скаляр.
Для изучения одного класса Label является значением, представляющим положительный класс.
Для изучения 2D класса Label является классом, дающим к самому большому счету или самой большой апостериорной вероятности.
Типы данных: single
| double
| int8
| int16
| int32
| int64
| uint8
| uint16
| uint32
| uint64
| Boolean
| fixed point
| enumerated
Score
— Предсказанные баллы класса или апостериорные вероятностиПредсказанные баллы класса или апостериорные вероятности, возвращенные как скаляр для изучения одного класса или вектор 1 на 2 для изучения 2D класса.
Для изучения одного класса Score является классификационной оценкой положительного класса. Вы не можете получить апостериорные вероятности для изучения одного класса.
Для изучения 2D класса Score является вектором 1 на 2.
Первый и второй элемент Score соответствует классификационным оценкам отрицательного класса (svmMdl.ClassNames(1)
) и положительный класс (svmMdl.ClassNames(2)
), соответственно, где svmMdl
модель SVM, заданная Select trained machine learning model
. Можно использовать ClassNames
свойство svmMdl
проверять отрицательные и положительные имена классов.
Если вы соответствуете оптимальному счету к использованию функции преобразования апостериорной вероятности fitPosterior
или fitSVMPosterior
, затем Score содержит апостериорные вероятности класса. В противном случае Score содержит оценки класса.
Чтобы включить этот порт, установите флажок для Add output port for predicted class scores
на вкладке Main диалогового окна Block Parameters.
Типы данных: single
| double
| int8
| int16
| int32
| int64
| uint8
| uint16
| uint32
| uint64
| fixed point
Select trained machine learning model
— Модель классификации SVMsvmMdl
(значение по умолчанию) | ClassificationSVM
возразите | CompactClassificationSVM
объектЗадайте имя переменной рабочей области, которая содержит ClassificationSVM
объект или CompactClassificationSVM
объект.
Когда вы обучаете модель SVM при помощи fitcsvm
, следующие ограничения применяются:
Данные о предикторе не могут включать категориальные предикторы (logical
категориальный
'char'
Строка
, или cell
). Если вы снабжаете обучающими данными в таблице, предикторы должны быть числовыми (double
или single
). Кроме того, вы не можете использовать 'CategoricalPredictors'
аргумент пары "имя-значение". Чтобы включать категориальные предикторы в модель SVM, предварительно обработайте категориальные предикторы при помощи dummyvar
прежде, чем подбирать модель SVM.
Значение 'ScoreTransform'
аргументом пары "имя-значение" не может быть 'invlogit'
или анонимная функция. Для блока, который предсказывает апостериорные вероятности, данные новые наблюдения, передайте обученную модель SVM fitPosterior
или fitSVMPosterior
.
Значение 'KernelFunction'
аргументом пары "имя-значение" должен быть 'gaussian'
, 'linear'
, или 'polynomial'
.
Параметры блоков:
TrainedLearner |
Ввод: переменная рабочей области |
Значения:
ClassificationSVM возразите | CompactClassificationSVM объект |
Значение по умолчанию:
svmMdl |
Add output port for predicted class scores
— Добавьте второй выходной порт для предсказанных баллов классаoff
(значение по умолчанию) | on
Установите флажок, чтобы включать второй выходной порт Score в блок ClassificationSVM Predict.
Параметры блоков:
ShowOutputScore |
Ввод: символьный вектор |
Значения:
'off' | 'on' |
Значение по умолчанию:
'off' |
Integer rounding mode
— Режим Rounding для операций фиксированной точкиFloor
(значение по умолчанию) | Ceiling
| Convergent
| Nearest
| Round
| Simplest
| Zero
Задайте округляющийся режим для операций фиксированной точки. Для получения дополнительной информации смотрите Округление (Fixed-Point Designer).
Параметры блоков всегда вокруг к самому близкому представимому значению. Чтобы управлять округлением параметров блоков, введите выражение с помощью функции округления MATLAB® в поле маски.
Параметры блоков:
RndMeth |
Ввод: символьный вектор |
Значения:
'Ceiling' | 'Convergent' | 'Floor' | 'Nearest' | 'Round' | 'Simplest' | 'Zero' |
Значение по умолчанию:
'Floor' |
Saturate on integer overflow
— Метод действия переполненияoff
(значение по умолчанию) | on
Задайте, насыщает ли переполнение или переносится.
Действие | Объяснение | Повлияйте на переполнение | Пример |
---|---|---|---|
Установите этот флажок ( | Ваша модель имеет возможное переполнение, и вы хотите явную защиту насыщения в сгенерированном коде. | Переполнение насыщает или к минимальному или к максимальному значению, которое может представлять тип данных. | Максимальное значение, что |
Снимите этот флажок ( | Вы хотите оптимизировать КПД своего сгенерированного кода. Вы не хотите чрезмерно определять, как блок обрабатывает сигналы из области значений. Для получения дополнительной информации смотрите Ошибки Диапазона сигнала Поиска и устранения неисправностей (Simulink). | Переполнение переносится к соответствующему значению, которое может представлять тип данных. | Максимальное значение, что |
Параметры блоков:
SaturateOnIntegerOverflow |
Ввод: символьный вектор |
Значения:
'off' | 'on' |
Значение по умолчанию:
'off' |
Lock output data type setting against changes by the fixed-point tools
— Препятствуйте тому, чтобы Fixed-Point Tool заменили тип данныхoff
(значение по умолчанию) | on
Выберите этот параметр, чтобы препятствовать тому, чтобы Fixed-Point Tool заменили тип данных, который вы задаете для блока. Для получения дополнительной информации смотрите, что Тип Выходных данных Блокировки Использования Устанавливает (Fixed-Point Designer).
Параметры блоков:
LockScale |
Ввод: символьный вектор |
Значения:
'off' | 'on' |
Значение по умолчанию:
'off' |
Label data type
— Тип данных Label выходInherit: Inherit via back propagation
(значение по умолчанию) | Inherit: Inherit from 'Constant value'
| double
| single
| int8
| uint8
| int16
| uint16
| int32
| uint32
| int64
| uint64
| boolean
| fixdt(1,16)
| fixdt(1,16,0)
| fixdt(1,16,2^0,0)
| Enum: <class name>
| <data type expression>
Задайте тип данных для Label выход. Тип может быть наследован, задан непосредственно или описан как объект типа данных, такой как Simulink.NumericType
.
Когда вы выбираете наследованную опцию, программное обеспечение ведет себя можно следующим образом:
Inherit: Inherit via back propagation
— Simulink автоматически определяет Label data type блока во время распространения типа данных (см. Распространение Типа данных (Simulink)). В этом случае блок использует тип данных нисходящего блока или объекта сигнала.
Inherit: Inherit from 'Constant value'
— Блок ClassificationSVM predict использует блок Constant под маской. Тип данных блока Constant зависит от наблюдаемых меток класса, которые обучили модель SVM, заданную Select trained machine learning model
.
Если наблюдаемые метки класса являются числовыми, то типом данных блока Constant является double
.
Если наблюдаемыми метками класса является logical
, затем типом данных блока Constant является boolean
.
Если наблюдаемые метки класса не являются числовыми или logical
, затем блок Constant использует enumerated
переменная enumLabels
типа данных. Например, если метками класса является
class 1
и class 2
, затем соответствующими значениями Label является enumLabels.class_1
и enumLabels.class_2
. Блок преобразует метки класса в допустимые идентификаторы MATLAB при помощи matlab.lang.makeValidName
функция.
Для получения дополнительной информации о типах данных, смотрите Типы данных Управляющего сигнала (Simulink).
Нажмите кнопку Show data type assistant, чтобы отобразить Data Type Assistant, который помогает вам установить атрибуты типа данных. Для получения дополнительной информации смотрите, Задают Типы данных Используя Ассистент Типа данных (Simulink).
Параметры блоков: LabelDataTypeStr |
Ввод: символьный вектор |
Значения: 'Inherit: Inherit via back propagation' | Inherit: Inherit from 'Constant value' | 'double' | 'single' | 'int8' | 'uint8' | 'int16' | 'uint16' | 'int32' | 'uint32' | 'int64' | 'uint64' | boolean | 'fixdt(1,16)' | 'fixdt(1,16,0)' | 'fixdt(1,16,2^0,0)' | Enum: <class name> | '<data type expression>' |
Значение по умолчанию: 'Inherit: Inherit via back propagation' |
Label minimum
— Минимальное значение Label выход для проверки диапазона[]
(значение по умолчанию) | скалярНижнее значение Label область значений выхода, которую проверяет Simulink®.
Simulink использует минимальное значение, чтобы выполнить:
Проверка диапазона параметра (см., Задает Минимальные и Максимальные значения для Параметров блоков (Simulink)) для некоторых блоков.
Проверка диапазона симуляции (см., Указывает Диапазоны сигнала (Simulink) и Включает Проверку диапазона Симуляции (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, который вы генерируете из модели. Эта оптимизация может удалить алгоритмический код и влиять на результаты некоторых режимов симуляции, такие как SIL или режим external mode. Для получения дополнительной информации смотрите, Оптимизируют использование заданных минимальных и максимальных значений (Embedded Coder).
Примечание
Параметр Label minimum не насыщает или отсекает фактический выходной сигнал Label. Используйте блок Saturation (Simulink) вместо этого.
Параметры блоков: LabelOutMin |
Ввод: символьный вектор |
Значения: '[ ]' | скаляр |
Значение по умолчанию: '[ ]' |
Label maximum
— Максимальное значение Label выход для проверки диапазона[]
(значение по умолчанию) | скалярВерхнее значение Label область значений выхода это Simulink Check.
Simulink использует максимальное значение, чтобы выполнить:
Проверка диапазона параметра (см., Задает Минимальные и Максимальные значения для Параметров блоков (Simulink)) для некоторых блоков.
Проверка диапазона симуляции (см., Указывает Диапазоны сигнала (Simulink) и Включает Проверку диапазона Симуляции (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, который вы генерируете из модели. Эта оптимизация может удалить алгоритмический код и влиять на результаты некоторых режимов симуляции, такие как SIL или режим external mode. Для получения дополнительной информации смотрите, Оптимизируют использование заданных минимальных и максимальных значений (Embedded Coder).
Примечание
Параметр Label maximum не насыщает или отсекает фактический выходной сигнал Label. Используйте блок Saturation (Simulink) вместо этого.
Параметры блоков: LabelOutMax |
Ввод: символьный вектор |
Значения: '[ ]' | скаляр |
Значение по умолчанию: '[ ]' |
Score data type
— Тип данных Score выходdouble
(значение по умолчанию) | Inherit: auto
| single
| int8
| uint8
| int16
| uint16
| int32
| uint32
| int64
| uint64
| fixdt(1,16)
| fixdt(1,16,0)
| fixdt(1,16,2^0,0)
| <data type expression>
Задайте тип данных для Score выход. Тип может быть наследован, задан непосредственно или описан как объект типа данных, такой как Simulink.NumericType
.
Когда вы выбираете Inherit: auto
, блок использует правило, которое наследовало тип данных.
Для получения дополнительной информации о типах данных, смотрите Типы данных Управляющего сигнала (Simulink).
Нажмите кнопку Show data type assistant, чтобы отобразить Data Type Assistant, который помогает вам установить атрибуты типа данных. Для получения дополнительной информации смотрите, Задают Типы данных Используя Ассистент Типа данных (Simulink).
Параметры блоков: ScoreDataTypeStr |
Ввод: символьный вектор |
Значения: 'Inherit: auto' | 'double' | 'single' | 'int8' | 'uint8' | 'int16' | 'uint16' | 'int32' | 'uint32' | 'int64' | 'uint64' | 'fixdt(1,16)' | 'fixdt(1,16,0)' | 'fixdt(1,16,2^0,0)' | '<data type expression>' |
Значение по умолчанию: 'double' |
Score minimum
— Минимальное значение Score выход для проверки диапазона[]
(значение по умолчанию) | скалярНижнее значение Score область значений выхода это Simulink Check.
Simulink использует минимальное значение, чтобы выполнить:
Проверка диапазона параметра (см., Задает Минимальные и Максимальные значения для Параметров блоков (Simulink)) для некоторых блоков.
Проверка диапазона симуляции (см., Указывает Диапазоны сигнала (Simulink) и Включает Проверку диапазона Симуляции (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, который вы генерируете из модели. Эта оптимизация может удалить алгоритмический код и влиять на результаты некоторых режимов симуляции, такие как SIL или режим external mode. Для получения дополнительной информации смотрите, Оптимизируют использование заданных минимальных и максимальных значений (Embedded Coder).
Примечание
Параметр Score minimum не насыщает или отсекает фактический сигнал Score. Используйте блок Saturation (Simulink) вместо этого.
Параметры блоков: ScoreOutMin |
Ввод: символьный вектор |
Значения: '[ ]' | скаляр |
Значение по умолчанию: '[ ]' |
Score maximum
— Максимальное значение Score выход для проверки диапазона[]
(значение по умолчанию) | скалярВерхнее значение Score область значений выхода это Simulink Check.
Simulink использует максимальное значение, чтобы выполнить:
Проверка диапазона параметра (см., Задает Минимальные и Максимальные значения для Параметров блоков (Simulink)) для некоторых блоков.
Проверка диапазона симуляции (см., Указывает Диапазоны сигнала (Simulink) и Включает Проверку диапазона Симуляции (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, который вы генерируете из модели. Эта оптимизация может удалить алгоритмический код и влиять на результаты некоторых режимов симуляции, такие как SIL или режим external mode. Для получения дополнительной информации смотрите, Оптимизируют использование заданных минимальных и максимальных значений (Embedded Coder).
Примечание
Параметр Score maximum не насыщает или отсекает фактический сигнал Score. Используйте блок Saturation (Simulink) вместо этого.
Параметры блоков: ScoreOutMax |
Ввод: символьный вектор |
Значения: '[ ]' | скаляр |
Значение по умолчанию: '[ ]' |
Raw score data type
— Непреобразованный тип данных счетаdouble
(значение по умолчанию) | Inherit: auto
| single
| int8
| uint8
| int16
| uint16
| int32
| uint32
| int64
| uint64
| fixdt(1,16)
| fixdt(1,16,0)
| fixdt(1,16,2^0,0)
| <data type expression>
Задайте тип данных для внутренних непреобразованных баллов. Тип может быть наследован, задан непосредственно или описан как объект типа данных, такой как Simulink.NumericType
.
Когда вы выбираете Inherit: auto
, блок использует правило, которое наследовало тип данных.
Для получения дополнительной информации о типах данных, смотрите Типы данных Управляющего сигнала (Simulink).
Нажмите кнопку Show data type assistant, чтобы отобразить Data Type Assistant, который помогает вам установить атрибуты типа данных. Для получения дополнительной информации смотрите, Задают Типы данных Используя Ассистент Типа данных (Simulink).
Параметры блоков: RawScoreDataTypeStr |
Ввод: символьный вектор |
Значения: 'Inherit: auto' | 'double' | 'single' | 'int8' | 'uint8' | 'int16' | 'uint16' | 'int32' | 'uint32' | 'int64' | 'uint64' | 'fixdt(1,16)' | 'fixdt(1,16,0)' | 'fixdt(1,16,2^0,0)' | '<data type expression>' |
Значение по умолчанию: 'double' |
Raw score minimum
— Минимум непреобразованный счет к проверке диапазона[]
(значение по умолчанию) | скалярНижнее значение непреобразованной области значений счета это Simulink Check.
Simulink использует минимальное значение, чтобы выполнить:
Проверка диапазона параметра (см., Задает Минимальные и Максимальные значения для Параметров блоков (Simulink)) для некоторых блоков.
Проверка диапазона симуляции (см., Указывает Диапазоны сигнала (Simulink) и Включает Проверку диапазона Симуляции (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, который вы генерируете из модели. Эта оптимизация может удалить алгоритмический код и влиять на результаты некоторых режимов симуляции, такие как SIL или режим external mode. Для получения дополнительной информации смотрите, Оптимизируют использование заданных минимальных и максимальных значений (Embedded Coder).
Примечание
Параметр Raw score minimum не насыщает или отсекает фактический непреобразованный сигнал счета.
Параметры блоков: RawScoreOutMin |
Ввод: символьный вектор |
Значения: '[ ]' | скаляр |
Значение по умолчанию: '[ ]' |
Raw score maximum
— Максимум непреобразованный счет к проверке диапазона[]
(значение по умолчанию) | скалярВерхнее значение непреобразованной области значений счета это Simulink Check.
Simulink использует максимальное значение, чтобы выполнить:
Проверка диапазона параметра (см., Задает Минимальные и Максимальные значения для Параметров блоков (Simulink)) для некоторых блоков.
Проверка диапазона симуляции (см., Указывает Диапазоны сигнала (Simulink) и Включает Проверку диапазона Симуляции (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, который вы генерируете из модели. Эта оптимизация может удалить алгоритмический код и влиять на результаты некоторых режимов симуляции, такие как SIL или режим external mode. Для получения дополнительной информации смотрите, Оптимизируют использование заданных минимальных и максимальных значений (Embedded Coder).
Примечание
Параметр Raw score maximum не насыщает или отсекает фактический непреобразованный сигнал счета.
Параметры блоков: RawScoreOutMax |
Ввод: символьный вектор |
Значения: '[ ]' | скаляр |
Значение по умолчанию: '[ ]' |
Kernel data type
— Тип данных расчета ядраdouble
(значение по умолчанию) | Inherit: Inherit via internal rule
| Inherit: Keep MSB
| Inherit: Match scaling
| single
| int8
| uint8
| int16
| uint16
| int32
| int64
| uint64
| uint32
| fixdt(1,16)
| fixdt(1,16,0)
| fixdt(1,16,2^0,0)
| <data type expression>
Задайте тип данных параметра для расчета ядра.
Параметр Kernel data type задает тип данных различного параметра в зависимости от типа функции ядра заданной модели SVM. Вы задаете 'KernelFunction'
аргумент пары "имя-значение", когда обучение модель SVM.
'KernelFunction' значение | Тип данных |
---|---|
'gaussian' или 'rbf' | Kernel data type задает тип данных квадрата расстояния для Гауссова ядра , где x является данными о предикторе для наблюдения, и s является вектором поддержки. |
'linear' | Kernel data type задает тип данных для выхода линейной функции ядра , где x является данными о предикторе для наблюдения, и s является вектором поддержки. |
'polynomial' | Kernel data type задает тип данных для выхода полиномиальной функции ядра , где x является данными о предикторе для наблюдения, s является вектором поддержки, и p является полиномиальным порядком функции ядра. |
Тип может быть наследован, задан непосредственно или описан как объект типа данных, такой как Simulink.NumericType
.
Когда вы выбираете наследованную опцию, программное обеспечение ведет себя можно следующим образом:
Inherit: Inherit via internal rule
— Блок использует внутреннее правило, чтобы определить его тип данных. Внутреннее правило выбирает тип данных, который оптимизирует числовую точность, эффективность и размер сгенерированного кода, при принятии во внимание свойств оборудования целевого процессора. Программное обеспечение не может одновременно оптимизировать КПД и числовую точность во всех ситуациях.
Inherit: Keep MSB
— Simulink выбирает тип данных, который обеспечивает полный спектр операции, и затем уменьшает точность до размера, подходящего для оборудования целевого процессора. Это правило никогда не производит переполнение.
Совет
Для более эффективного сгенерированного кода очистите параметр Saturate on integer overflow.
Inherit: Match scaling
— Simulink выбирает тип данных, масштабирование которого соответствий масштабирование входных типов, где вход относится к входу блока под маской. Если полный спектр типа не соответствует на оборудовании целевого процессора, программное обеспечение уменьшает область значений, чтобы дать к типу, который подходит для оборудования целевого процессора. Это правило может произвести переполнение.
Программное обеспечение не может одновременно оптимизировать КПД кода и числовую точность во всех ситуациях. Если эти внутренние правила не удовлетворяют ваши определенные потребности для числовой точности или эффективности, используйте одну из следующих опций:
Задайте тип данных явным образом.
Задайте тип данных по умолчанию явным образом, такой как fixdt(1,32,16)
, и затем используйте Fixed-Point Tool, чтобы предложить типы данных для вашей модели. Для получения дополнительной информации смотрите fxptdlg
(Fixed-Point Designer).
Inherit: Inherit via back propagation
— (Не рекомендуемый), блок использует тип данных нисходящего блока под маской.
Inherit: Same as first input
— (Не рекомендуемый), Этот первый вход относится к первому входу блока под маской.
Для получения дополнительной информации о типах данных, смотрите Типы данных Управляющего сигнала (Simulink).
Нажмите кнопку Show data type assistant, чтобы отобразить Data Type Assistant, который помогает вам установить атрибуты типа данных. Для получения дополнительной информации смотрите, Задают Типы данных Используя Ассистент Типа данных (Simulink).
Параметры блоков: KernelDataTypeStr |
Ввод: символьный вектор |
Значения: 'Inherit: Inherit via internal rule | 'Inherit: Keep MSB' | 'Inherit: Match scaling' | 'double' | 'single' | 'int8' | 'uint8' | 'int16' | 'uint16' | 'int32' | 'uint32' | 'uint64' | 'int64' | 'fixdt(1,16)' | 'fixdt(1,16,0)' | 'fixdt(1,16,2^0,0)' | '<data type expression>' |
Значение по умолчанию: 'double' |
Kernel minimum
— Минимальное значение расчета ядра для проверки диапазона[]
(значение по умолчанию) | скалярНижнее значение области значений внутренней переменной расчета ядра это Simulink Check.
Simulink использует минимальное значение, чтобы выполнить:
Проверка диапазона параметра (см., Задает Минимальные и Максимальные значения для Параметров блоков (Simulink)) для некоторых блоков.
Проверка диапазона симуляции (см., Указывает Диапазоны сигнала (Simulink) и Включает Проверку диапазона Симуляции (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, который вы генерируете из модели. Эта оптимизация может удалить алгоритмический код и влиять на результаты некоторых режимов симуляции, такие как SIL или режим external mode. Для получения дополнительной информации смотрите, Оптимизируют использование заданных минимальных и максимальных значений (Embedded Coder).
Примечание
Параметр Kernel minimum не насыщает или отсекает фактический сигнал значения расчета ядра.
Параметры блоков: KernelOutMin |
Ввод: символьный вектор |
Значения: '[ ]' | скаляр |
Значение по умолчанию: '[ ]' |
Kernel maximum
— Максимальное значение расчета ядра для проверки диапазона[]
(значение по умолчанию) | скалярВерхнее значение области значений внутренней переменной расчета ядра это Simulink Check.
Simulink использует максимальное значение, чтобы выполнить:
Проверка диапазона параметра (см., Задает Минимальные и Максимальные значения для Параметров блоков (Simulink)) для некоторых блоков.
Проверка диапазона симуляции (см., Указывает Диапазоны сигнала (Simulink) и Включает Проверку диапазона Симуляции (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, который вы генерируете из модели. Эта оптимизация может удалить алгоритмический код и влиять на результаты некоторых режимов симуляции, такие как SIL или режим external mode. Для получения дополнительной информации смотрите, Оптимизируют использование заданных минимальных и максимальных значений (Embedded Coder).
Примечание
Параметр Kernel maximum не насыщает или отсекает фактический сигнал значения расчета ядра.
Параметры блоков: KernelOutMax |
Ввод: символьный вектор |
Значения: '[ ]' | скаляр |
Значение по умолчанию: '[ ]' |
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.
Положительная классификационная оценка класса 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. Отрицательная классификационная оценка класса для 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 из подходящих линейных коэффициентов.
Для получения дополнительной информации смотрите Машины опорных векторов Понимания.
posterior probability является вероятностью, что наблюдение принадлежит конкретного класса, учитывая данные.
Для SVM апостериорная вероятность является функцией счета P (s), что наблюдение j находится в классе k = {-1,1}.
Для отделимых классов апостериорная вероятность является ступенчатой функцией
где:
sj является счетом наблюдения j.
+1 и –1 обозначают положительные и отрицательные классы, соответственно.
π является априорной вероятностью, что наблюдение находится в положительном классе.
Для неотделимых классов апостериорная вероятность является сигмоидальной функцией
где параметры A и B являются наклоном и прерывают параметры, соответственно.
prior probability класса является принятой относительной частотой, с которой наблюдения от того класса происходят в населении.
Если вы используете линейную модель SVM, и она имеет много векторов поддержки, то предсказание (классифицирующий наблюдения) может быть медленным. Чтобы эффективно классифицировать наблюдения на основе линейной модели SVM, удалите векторы поддержки из ClassificationSVM
объект при помощи discardSupportVectors
.
Можно использовать блок MATLAB function с predict
объектная функция ClassificationSVM
объект. Для примера смотрите, Предсказывают, что Класс Маркирует Using MATLAB Function Block.
При решении, использовать ли блок ClassificationSVM Predict в библиотеке Statistics and Machine Learning Toolbox™ или блоке MATLAB function с predict
функционируйте, рассмотрите следующее:
Если вы используете библиотечный блок Statistics and Machine Learning Toolbox, можно использовать Fixed-Point Tool (Fixed-Point Designer), чтобы преобразовать модель с плавающей точкой в фиксированную точку.
Поддержка массивов переменного размера должна быть включена для блока MATLAB function с predict
функция.
Если вы используете блок MATLAB function, можно использовать функции MATLAB для предварительной обработки или последующей обработки прежде или после предсказаний в том же блоке MATLAB function.
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.