ClassificationSVM предсказывают

Классифицировать наблюдения с помощью классификатора вспомогательных векторов (SVM) для одноклассной и двоичной классификации

развернуть все на странице

Библиотека:
Набор инструментов/классификация статистики и машинного обучения

Описание

Блок «Предсказание СВМ» классифицирует наблюдения с помощью объекта классификации СВМ (ClassificationSVM или CompactClassificationSVM) для одноклассной и двухклассовой (двоичной) классификации.

Импортируйте обученный объект классификации SVM в блок, указав имя переменной рабочей области, содержащей объект. Входной порт x принимает данные наблюдения (данные предиктора), и метка выходного порта возвращает прогнозируемую метку класса для наблюдения. Можно добавить дополнительную оценку порта вывода, которая возвращает прогнозируемые оценки класса или апостериорные вероятности.

Порты

Вход

развернуть все

`x` - Данные предиктора
вектор строки | вектор столбца

Данные предиктора, заданные как вектор столбца или вектор строки одного наблюдения.

Зависимости

Переменные в x должны иметь тот же порядок, что и переменные предиктора, которые обучали модель SVM, заданную Select trained machine learning model.
Если установить 'Standardize',true в fitcsvm при обучении модели SVM, затем блок предсказания XSVM стандартизирует значения x с использованием средств и стандартных отклонений в Mu и Sigma свойства (соответственно) модели SVM.

Продукция

развернуть все

`label` - Прогнозируемая метка класса
скаляр

Прогнозируемая метка класса, возвращаемая как скаляр.

Зависимости

Для одноклассного обучения меткой является значение, представляющее положительный класс.
Для двухклассного обучения метка - это класс, дающий наибольший балл или наибольшую заднюю вероятность.

`score` - Прогнозируемые оценки класса или задние вероятности
скалярный | вектор 1 на 2

Предсказанные оценки класса или задние вероятности, возвращенные как скаляр для одноклассного обучения или вектор 1 на 2 для двухклассного обучения.

Для одноклассного обучения балл - это классификационный балл положительного класса. Нельзя получить апостериорные вероятности для одноклассного обучения.
Для двухклассного обучения оценка является вектором 1 на 2.
- Первый и второй элементы оценки соответствуют классификационным баллам отрицательного класса (svmMdl.ClassNames(1)) и положительный класс (svmMdl.ClassNames(2)), соответственно, где svmMdl - модель SVM, указанная Select trained machine learning model. Вы можете использовать ClassNames имущество svmMdl для проверки отрицательных и положительных имен классов.
- Если вы подгоняете оптимальную функцию преобразования «оценка-задняя вероятность», используя fitPosterior или fitSVMPosterior, то оценка содержит апостериорные вероятности класса. В противном случае оценка содержит оценки классов.

Зависимости

Чтобы включить этот порт, установите флажок для Add output port for predicted class scores на вкладке «Главная» диалогового окна «Параметры блока».

Параметры

развернуть все

Главный

`Select trained machine learning model` - Модель классификации SVM
`svmMdl` (по умолчанию) | `ClassificationSVM` объект | `CompactClassificationSVM` объект

Укажите имя переменной рабочей области, содержащей ClassificationSVM объект или CompactClassificationSVM объект.

При обучении модели SVM с помощью fitcsvm, применяются следующие ограничения:

Данные предиктора не могут включать категориальные предикторы (logical, categorical, char, string, или cell). При вводе данных обучения в таблицу предикторы должны быть числовыми (double или single). Кроме того, нельзя использовать 'CategoricalPredictors' аргумент «имя-значение». Чтобы включить категориальные предикторы в модель, выполните предварительную обработку категориальных предикторов с помощью dummyvar перед подгонкой модели.
Значение 'ScoreTransform' аргумент «имя-значение» не может быть 'invlogit' или анонимная функция. Для блока, который предсказывает задние вероятности, полученные при новых наблюдениях, передайте обученную модель SVM в fitPosterior или fitSVMPosterior.
Значение 'KernelFunction' аргумент «имя-значение» должен быть 'gaussian' (то же, что и 'rbf', по умолчанию для одноклассного обучения), 'linear' (по умолчанию для двухклассного обучения), или 'polynomial'.

Программное использование

Параметр блока: TrainedLearner

Тип: переменная рабочего пространства

Значения: ClassificationSVM объект | CompactClassificationSVM объект

По умолчанию: 'svmMdl'

`Add output port for predicted class scores` - Добавление второго выходного порта для прогнозируемых оценок класса
`off` (по умолчанию) | `on`

Выберите опцию, чтобы включать второй счет порта продукции в ClassificationSVM, Предсказывают блок.

Программное использование

Параметр блока: ShowOutputScore

Текст: символьный вектор

Значения: 'off' | 'on'

По умолчанию: 'off'

Типы данных

Рабочие параметры с фиксированной точкой

`Integer rounding mode` - Режим округления для операций с фиксированной точкой
`Floor` (по умолчанию) | `Ceiling` | `Convergent` | `Nearest` | `Round` | `Simplest` | `Zero`

Укажите режим округления для операций с фиксированной точкой. Дополнительные сведения см. в разделе Округление (конструктор фиксированных точек).

Параметры блока всегда округляются до ближайшего представимого значения. Для управления округлением параметра блока введите выражение с помощью функции округления MATLAB ® в поле маски.

Программное использование

Параметр блока: RndMeth

Текст: символьный вектор

По умолчанию: 'Floor'

`Saturate on integer overflow` - Метод действия переполнения
`off` (по умолчанию) | `on`

Укажите, будут ли переполнения насыщаться или переноситься.

Действие Объяснение Влияние на переполнение Пример

Действие	Объяснение	Влияние на переполнение	Пример
Установите этот флажок (`on`).	Возможно переполнение модели, и требуется явная защита от насыщения в сгенерированном коде.	Переполнения насыщаются минимальным или максимальным значением, которое может представлять тип данных.	Максимальное значение, `int8` (со знаком 8-разрядное целое число) тип данных может представлять значение 127. Любой результат операции блока, превышающий это максимальное значение, вызывает переполнение 8-разрядного целого числа. Если флажок установлен, выходной сигнал блока насыщается на уровне 127. Аналогично, блочный выход насыщается при минимальном выходном значении -128.
Снимите этот флажок (`off`).	Требуется оптимизировать эффективность созданного кода. Необходимо избегать чрезмерного указания того, как блок обрабатывает сигналы вне диапазона. Дополнительные сведения см. в разделе Устранение ошибок диапазона сигналов (Simulink).	Переполнение до соответствующего значения, которое может представлять тип данных.	Максимальное значение, `int8` (со знаком 8-разрядное целое число) тип данных может представлять значение 127. Любой результат операции блока, превышающий это максимальное значение, вызывает переполнение 8-разрядного целого числа. Если флажок снят, программное обеспечение интерпретирует значение, вызывающее переполнение, как `int8`, что может привести к непреднамеренному результату. Например, результат блока 130 (двоичный 1000 0010), выраженный как `int8` составляет -126.

Установите этот флажок (on).

Возможно переполнение модели, и требуется явная защита от насыщения в сгенерированном коде.

Переполнения насыщаются минимальным или максимальным значением, которое может представлять тип данных.

Максимальное значение, int8 (со знаком 8-разрядное целое число) тип данных может представлять значение 127. Любой результат операции блока, превышающий это максимальное значение, вызывает переполнение 8-разрядного целого числа. Если флажок установлен, выходной сигнал блока насыщается на уровне 127. Аналогично, блочный выход насыщается при минимальном выходном значении -128.

Снимите этот флажок (off).

Требуется оптимизировать эффективность созданного кода.

Необходимо избегать чрезмерного указания того, как блок обрабатывает сигналы вне диапазона. Дополнительные сведения см. в разделе Устранение ошибок диапазона сигналов (Simulink).

Переполнение до соответствующего значения, которое может представлять тип данных.

Максимальное значение, int8 (со знаком 8-разрядное целое число) тип данных может представлять значение 127. Любой результат операции блока, превышающий это максимальное значение, вызывает переполнение 8-разрядного целого числа. Если флажок снят, программное обеспечение интерпретирует значение, вызывающее переполнение, как int8, что может привести к непреднамеренному результату. Например, результат блока 130 (двоичный 1000 0010), выраженный как int8 составляет -126.

Программное использование

Параметр блока: SaturateOnIntegerOverflow

Текст: символьный вектор

Значения: 'off' | 'on'

По умолчанию: 'off'

`Lock output data type setting against changes by the fixed-point tools` - Запретить переопределение типа данных инструментами с фиксированной точкой
`off` (по умолчанию) | `on`

Выберите этот параметр, чтобы инструменты с фиксированной точкой не переопределяли тип данных, заданный для блока. Дополнительные сведения см. в разделе Использование параметров типа выходных данных блокировки (конструктор фиксированных точек).

Программное использование

Параметр блока: LockScale

Текст: символьный вектор

Значения: 'off' | 'on'

По умолчанию: 'off'

Тип данных

`Label data type` - Тип данных вывода метки
`Inherit: Inherit via back propagation` | `Inherit: auto` | `double` | `single` | `half` | `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>`

Укажите тип данных для вывода метки. Тип может быть унаследован, указан как перечисляемый тип данных или выражен как объект типа данных, например Simulink.NumericType.

При выборе унаследованной опции программное обеспечение работает следующим образом:

Inherit: Inherit via back propagation (по умолчанию для числовых и логических меток) - Simulink автоматически определяет тип данных блока Label во время распространения типа данных (см. раздел Распространение типа данных (Simulink)). В этом случае блок использует тип данных нисходящего блока или сигнального объекта.
Inherit: auto (по умолчанию для нечисловых меток) - блок использует автоматически определенную переменную перечисляемого типа данных. Например, предположим, что имя переменной рабочей области указано Select trained machine learning model является myMdl, а метки классов: class 1 и class 2. Затем соответствующие значения метки myMdl_enumLabels.class_1 и myMdl_enumLabels.class_2. Блок преобразует метки класса в допустимые идентификаторы MATLAB с помощью matlab.lang.makeValidName функция.

Дополнительные сведения о типах данных см. в разделе Типы данных управляющих сигналов (Simulink).

Нажмите кнопку Показать помощник по типам данных, чтобы отобразить помощник по типам данных, который помогает задать атрибуты типов данных. Дополнительные сведения см. в разделе Определение типов данных с помощью помощника по типам данных (Simulink).

Зависимости

Поддерживаемые типы данных зависят от меток, используемых в модели, указанной в Select trained machine learning model.

Если в модели используются числовые или логические метки, поддерживаются следующие типы данных: Inherit: Inherit via back propagation (по умолчанию), double, single, half, int8, uint8, int16, uint16, int32, uint32, int64, uint64, boolean, фиксированная точка и объект типа данных.
Если в модели используются нечисловые метки, поддерживаются следующие типы данных: Inherit: auto (по умолчанию), Enum: <class name>и объект типа данных.

Программное использование

Параметр блока: LabelDataTypeStr

Текст: символьный вектор

По умолчанию: 'Inherit: Inherit via back propagation' (для числовых и логических меток) | 'Inherit: auto' (для нечисловых этикеток)

`Label minimum` - Минимальное значение выхода метки для проверки дальности
`[]` (по умолчанию) | скаляр

Меньшее значение диапазона вывода метки, которое проверяет Simulink ®.

Simulink использует минимальное значение для выполнения:

Проверка диапазона параметров (см. раздел Задание минимальных и максимальных значений для параметров блока (Simulink)) для некоторых блоков.
Проверка диапазона моделирования (см. раздел Задание диапазонов сигналов (Simulink) и Включение проверки диапазона моделирования (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, создаваемого на основе модели. Эта оптимизация может удалить алгоритмический код и повлиять на результаты некоторых режимов моделирования, таких как SIL или внешний режим. Дополнительные сведения см. в разделе Оптимизация с использованием указанных минимального и максимального значений (встроенный кодер).

Примечание

Параметр Label minimum не насыщает и не отсекает фактический выходной сигнал метки. Вместо этого используйте блок «Насыщенность» (Simulink).

Зависимости

Этот параметр можно задать только в том случае, если модель задана Select trained machine learning model использует числовые метки.

Программное использование

Параметр блока: LabelOutMin

Текст: символьный вектор

Значения: '[]' | скаляр

По умолчанию: '[]'

`Label maximum` - Максимальное значение выхода метки для проверки дальности
`[]` (по умолчанию) | скаляр

Верхнее значение диапазона вывода метки, которое проверяет Simulink.

Simulink использует максимальное значение для выполнения:

Проверка диапазона параметров (см. раздел Задание минимальных и максимальных значений для параметров блока (Simulink)) для некоторых блоков.
Проверка диапазона моделирования (см. раздел Задание диапазонов сигналов (Simulink) и Включение проверки диапазона моделирования (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, создаваемого на основе модели. Эта оптимизация может удалить алгоритмический код и повлиять на результаты некоторых режимов моделирования, таких как SIL или внешний режим. Дополнительные сведения см. в разделе Оптимизация с использованием указанных минимального и максимального значений (встроенный кодер).

Примечание

Параметр Label maximum не насыщает и не отсекает фактический выходной сигнал метки. Вместо этого используйте блок «Насыщенность» (Simulink).

Зависимости

Программное использование

Параметр блока: LabelOutMax

Текст: символьный вектор

Значения: '[]' | скаляр

По умолчанию: '[]'

`Score data type` - Тип данных результата оценки
`Inherit: auto` (по умолчанию) | `double` | `single` | `half` | `int8` | `uint8` | `int16` | `uint16` | `int32` | `uint32` | `int64` | `uint64` | `boolean` | `fixdt(1,16)` | `fixdt(1,16,0)` | `fixdt(1,16,2^0,0)` | `<data type expression>`

Укажите тип данных для результата оценки. Тип может быть унаследован, указан непосредственно или выражен как объект типа данных, например Simulink.NumericType.

При выборе Inherit: autoблок использует правило, наследующее тип данных.

Дополнительные сведения о типах данных см. в разделе Типы данных управляющих сигналов (Simulink).

Программное использование

Параметр блока: ScoreDataTypeStr

Текст: символьный вектор

По умолчанию: 'Inherit: auto'

`Score minimum` - Минимальное значение результата оценки для проверки дальности
`[]` (по умолчанию) | скаляр

Меньшее значение диапазона вывода оценки, которое проверяет Simulink.

Simulink использует минимальное значение для выполнения:

Проверка диапазона параметров (см. раздел Задание минимальных и максимальных значений для параметров блока (Simulink)) для некоторых блоков.
Проверка диапазона моделирования (см. раздел Задание диапазонов сигналов (Simulink) и Включение проверки диапазона моделирования (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, создаваемого на основе модели. Эта оптимизация может удалить алгоритмический код и повлиять на результаты некоторых режимов моделирования, таких как SIL или внешний режим. Дополнительные сведения см. в разделе Оптимизация с использованием указанных минимального и максимального значений (встроенный кодер).

Примечание

Параметр Score minimum не насыщает и не отсекает действительный сигнал оценки. Вместо этого используйте блок «Насыщенность» (Simulink).

Программное использование

Параметр блока: ScoreOutMin

Текст: символьный вектор

Значения: '[]' | скаляр

По умолчанию: '[]'

`Score maximum` - Максимальное значение результата оценки для проверки дальности
`[]` (по умолчанию) | скаляр

Верхнее значение диапазона вывода оценки, которое проверяет Simulink.

Simulink использует максимальное значение для выполнения:

Проверка диапазона параметров (см. раздел Задание минимальных и максимальных значений для параметров блока (Simulink)) для некоторых блоков.
Проверка диапазона моделирования (см. раздел Задание диапазонов сигналов (Simulink) и Включение проверки диапазона моделирования (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, создаваемого на основе модели. Эта оптимизация может удалить алгоритмический код и повлиять на результаты некоторых режимов моделирования, таких как SIL или внешний режим. Дополнительные сведения см. в разделе Оптимизация с использованием указанных минимального и максимального значений (встроенный кодер).

Примечание

Параметр Score maximum не насыщает и не отсекает действительный сигнал score. Вместо этого используйте блок «Насыщенность» (Simulink).

Программное использование

Параметр блока: ScoreOutMax

Текст: символьный вектор

Значения: '[]' | скаляр

По умолчанию: '[]'

`Raw score data type` - Нетрансформированный тип данных оценки
`Inherit: auto` (по умолчанию) | `double` | `single` | `half` | `int8` | `uint8` | `int16` | `uint16` | `int32` | `uint32` | `int64` | `uint64` | `boolean` | `fixdt(1,16)` | `fixdt(1,16,0)` | `fixdt(1,16,2^0,0)` | `boolean` | `<data type expression>`

Укажите тип данных для внутренних нетрансформированных баллов. Тип может быть унаследован, указан непосредственно или выражен как объект типа данных, например Simulink.NumericType.

При выборе Inherit: autoблок использует правило, наследующее тип данных.

Дополнительные сведения о типах данных см. в разделе Типы данных управляющих сигналов (Simulink).

Зависимости

Этот параметр можно задать только в том случае, если модель задана Select trained machine learning model использует преобразование баллов, отличное от 'none' (по умолчанию, то же, что и 'identity').

Если модель не использует преобразования баллов ('none' или 'identity'), то можно указать тип данных оценки с помощью Score data type.
Если модель использует преобразование баллов, отличное от 'none' или 'identity', то вы можете указать тип данных нетрансформированных необработанных баллов с помощью этого параметра и указать тип данных преобразованных баллов с помощью Score data type.

Можно изменить параметр преобразования баллов, указав 'ScoreTransform' аргумент «имя-значение» во время обучения или путем изменения ScoreTransform имущество после обучения.

Программное использование

Параметр блока: RawScoreDataTypeStr

Текст: символьный вектор

По умолчанию: 'Inherit: auto'

`Raw score minimum` - Минимальная нетрансформированная оценка для проверки дальности
`[]` (по умолчанию) | скаляр

Меньшее значение нетрансформированного диапазона баллов, который проверяет Simulink.

Simulink использует минимальное значение для выполнения:

Проверка диапазона параметров (см. раздел Задание минимальных и максимальных значений для параметров блока (Simulink)) для некоторых блоков.
Проверка диапазона моделирования (см. раздел Задание диапазонов сигналов (Simulink) и Включение проверки диапазона моделирования (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, создаваемого на основе модели. Эта оптимизация может удалить алгоритмический код и повлиять на результаты некоторых режимов моделирования, таких как SIL или внешний режим. Дополнительные сведения см. в разделе Оптимизация с использованием указанных минимального и максимального значений (встроенный кодер).

Примечание

Параметр Raw score minimum не насыщает и не отсекает действительный нетрансформированный сигнал score.

Программное использование

Параметр блока: RawScoreOutMin

Текст: символьный вектор

Значения: '[]' | скаляр

По умолчанию: '[]'

`Raw score maximum` - Максимальная нетрансформированная оценка для проверки дальности
`[]` (по умолчанию) | скаляр

Верхнее значение нетрансформированного диапазона баллов, проверяемого Simulink.

Simulink использует максимальное значение для выполнения:

Проверка диапазона параметров (см. раздел Задание минимальных и максимальных значений для параметров блока (Simulink)) для некоторых блоков.
Проверка диапазона моделирования (см. раздел Задание диапазонов сигналов (Simulink) и Включение проверки диапазона моделирования (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, создаваемого на основе модели. Эта оптимизация может удалить алгоритмический код и повлиять на результаты некоторых режимов моделирования, таких как SIL или внешний режим. Дополнительные сведения см. в разделе Оптимизация с использованием указанных минимального и максимального значений (встроенный кодер).

Примечание

Параметр Raw score maximum не насыщает и не отсекает действительный нетрансформированный сигнал score.

Программное использование

Параметр блока: RawScoreOutMax

Текст: символьный вектор

Значения: '[]' | скаляр

По умолчанию: '[]'

`Kernel data type` - Тип данных вычисления ядра
`double` (по умолчанию) | `single` | `half` | `int8` | `uint8` | `int16` | `uint16` | `int32` | `int64` | `uint64` | `uint32` | `boolean` | `fixdt(1,16)` | `fixdt(1,16,0)` | `fixdt(1,16,2^0,0)` | `<data type expression>`

Укажите тип данных параметра для вычисления ядра. Тип может быть указан непосредственно или выражен как объект типа данных, например Simulink.NumericType.

Параметр Kernel data type указывает тип данных другого параметра в зависимости от типа функции ядра указанной модели SVM. Вы указываете 'KernelFunction' аргумент «имя-значение» при обучении модели SVM.

`'KernelFunction'` стоимость	Тип данных
`'gaussian'` или `'rbf'`	Тип данных ядра задает тип данных квадратного расстояния, $^{}^{D2=‖x−s‖2}$ для гауссова ядра $G (x, s) =^{exp}$ (− D2), где x - данные предиктора для наблюдения, а s - вектор поддержки.
`'linear'`	Тип данных ядра определяет тип данных для вывода линейной функции ядра $G (x, s) =$ xs ', где x - данные предиктора для наблюдения, а s - поддерживающий вектор.
`'polynomial'`	Тип данных ядра определяет тип данных для вывода полиномиальной функции ядра $G (x, s {) = (1}^{+}$ xs ') p, где x - данные предиктора для наблюдения, s - вектор поддержки, p - порядок функций ядра полинома.

Дополнительные сведения о типах данных см. в разделе Типы данных управляющих сигналов (Simulink).

Программное использование

Параметр блока: KernelDataTypeStr

Текст: символьный вектор

По умолчанию: 'double'

`Kernel minimum` - Минимальное значение вычисления ядра для проверки диапазона
`[]` (по умолчанию) | скаляр

Меньшее значение диапазона внутренних переменных вычисления ядра, которое проверяет Simulink.

Simulink использует минимальное значение для выполнения:

Проверка диапазона параметров (см. раздел Задание минимальных и максимальных значений для параметров блока (Simulink)) для некоторых блоков.
Проверка диапазона моделирования (см. раздел Задание диапазонов сигналов (Simulink) и Включение проверки диапазона моделирования (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, создаваемого на основе модели. Эта оптимизация может удалить алгоритмический код и повлиять на результаты некоторых режимов моделирования, таких как SIL или внешний режим. Дополнительные сведения см. в разделе Оптимизация с использованием указанных минимального и максимального значений (встроенный кодер).

Примечание

Параметр Kernel minimum не насыщает и не отсекает сигнал фактического значения вычисления ядра.

Программное использование

Параметр блока: KernelOutMin

Текст: символьный вектор

Значения: '[]' | скаляр

По умолчанию: '[]'

`Kernel maximum` - Максимальное значение вычисления ядра для проверки диапазона
`[]` (по умолчанию) | скаляр

Верхнее значение диапазона внутренних переменных вычисления ядра, которое проверяет Simulink.

Simulink использует максимальное значение для выполнения:

Проверка диапазона параметров (см. раздел Задание минимальных и максимальных значений для параметров блока (Simulink)) для некоторых блоков.
Проверка диапазона моделирования (см. раздел Задание диапазонов сигналов (Simulink) и Включение проверки диапазона моделирования (Simulink)).
Автоматическое масштабирование типов данных с фиксированной точкой.
Оптимизация кода, создаваемого на основе модели. Эта оптимизация может удалить алгоритмический код и повлиять на результаты некоторых режимов моделирования, таких как SIL или внешний режим. Дополнительные сведения см. в разделе Оптимизация с использованием указанных минимального и максимального значений (встроенный кодер).

Примечание

Параметр Kernel maximum не насыщает и не отсекает сигнал фактического значения вычисления ядра.

Программное использование

Параметр блока: KernelOutMax

Текст: символьный вектор

Значения: '[]' | скаляр

По умолчанию: '[]'

Примеры модели

Predict Class Labels Using ClassificationSVM Predict Block

Предскажите, что этикетки класса Используя ClassificationSVM предсказывают блок

Использование ClassificationSVM Предсказывает блок для прогноза этикетки в Simulink®. Блок принимает наблюдение (данные предиктора) и возвращает предсказанную метку класса и оценку класса для наблюдения с использованием модели классификации обученной машины вектора поддержки (SVM).

Открыть сценарий в реальном времени

Характеристики блока

Типы данных	`Boolean` \| `double` \| `enumerated` \| `fixed point` \| `half` \| `integer` \| `single`
Прямой проход	`yes`
Многомерные сигналы	`no`
Сигналы переменного размера	`no`
Обнаружение пересечения нулей	`no`

Подробнее

развернуть все

Оценка классификации

Показатель классификации SVM для классификации наблюдения x представляет собой расстояние со знаком от x до границы принятия решения в диапазоне от - ∞ до +∞. Положительный балл для класса указывает, что x прогнозируется в этом классе. Отрицательный балл указывает на обратное.

Положительным показателем классификации классов $f (x$ ) является обученная функция классификации SVM. $f ($ x) также является численным прогнозируемым ответом для x или баллом для прогнозирования x в положительный класс.

$f (x)_{}^{}_{}_{} {=∑j=1nαjyjG}_{} (xj, x$ ) + b,

где $(_{α1}, ...,_{} αn,$ b) - оцененные параметры SVM, $G_{} (xj$ , x) - скалярное произведение в предикторном пространстве между x и векторами поддержки, и сумма включает в себя наблюдения обучающего набора. Отрицательный балл классификации класса для x или балл для прогнозирования x в отрицательный класс равен -f (x).

Если G (_xj, x) = xj′x (линейное ядро), то функция оценки уменьшается до

$f (x) = (x/s)'$ β + b.

s - шкала ядра, а β - вектор аппроксимированных линейных коэффициентов.

Дополнительные сведения см. в разделе Общие сведения о векторных машинах поддержки.

Задняя вероятность

Апостериорная вероятность - вероятность того, что наблюдение принадлежит конкретному классу, учитывая данные.

Для SVM задняя вероятность является функцией оценки P (s), что наблюдение j находится в классе k = {-1,1}.

Для разделяемых классов апостериорной вероятностью является ступенчатая функция

$P (_{} sj) \begin{array}{l} \begin{matrix} \underset{_{}}{}_{} \end{matrix} \\ \begin{matrix} \underset{_{}}{}_{}_{} \underset{_{}}{}_{} \end{matrix} \\ \begin{matrix} _{} \underset{_{}}{}_{} \end{matrix} \end{array}$ ={0;s<maxyk=−1skπ;maxyk=−1sk≤sj≤minyk=+1sk1;sj>minyk=+1sk,
где:
- _sj - оценка наблюдения j.
- + 1 и -1 обозначают положительные и отрицательные классы соответственно.
- δ - предшествующая вероятность того, что наблюдение находится в положительном классе.
Для неотделимых классов апостериорной вероятностью является сигмоидная функция

$P (_{} sj) \frac{}{= 11 +_{} exp (}$ Asj + B),
где параметры A и B являются параметрами наклона и пересечения соответственно.

Предварительная вероятность

Предшествующая вероятность класса - предполагаемая относительная частота, с которой наблюдения из этого класса происходят в популяции.

Совет

Если используется линейная модель SVM и она имеет множество векторов поддержки, то прогнозирование (классификация наблюдений) может быть медленным. Для эффективной классификации наблюдений на основе линейной модели SVM удалите векторы поддержки из ClassificationSVM или CompactClassificationSVM объект с помощью discardSupportVectors.

Альтернативная функциональность

Функциональный блок MATLAB можно использовать с predict функция объекта классификации SVM (ClassificationSVM или CompactClassificationSVM). Пример см. в разделе Прогнозирование меток классов с использованием функционального блока MATLAB.

При принятии решения об использовании блока прогнозирования Toolbox™ в библиотеке статистики и машинного обучения или блока функции MATLAB с помощью predict рассмотрите следующие функции:

При использовании блока библиотеки инструментов «Статистика и машинное обучение» для преобразования модели с плавающей запятой в фиксированную можно использовать инструмент «Фиксированная точка» (Fixed-Point Designer).
Поддержка массивов переменного размера должна быть включена для функционального блока MATLAB с predict функция.
При использовании функционального блока MATLAB можно использовать функции MATLAB для предварительной обработки или последующей обработки до или после прогнозирования в том же функциональном блоке MATLAB.

Вопросы совместимости

развернуть все

Значение по умолчанию типа данных Label: `Inherit: Inherit via back propagation` для числовых и логических меток и `Inherit: auto` для нечисловых этикеток

В R2021a изменилось поведение

Начиная с R2021a, значение типа данных по умолчанию и поддерживаемые типы данных параметра Тип данных метки зависят от меток, используемых в модели, указанной в Select trained machine learning model. Значение по умолчанию: Inherit: Inherit via back propagation для числовых и логических меток, и Inherit: auto для нечисловых меток.

Если указан тип данных Label как Inherit: Inherit via back propagation для нечисловых знаков или Inherit: Inherit from 'Constant value', затем измените значение на Inherit: auto.

Значение по умолчанию типа данных Score и типа данных Raw score: `Inherit: auto`

В R2021a изменилось поведение

Начиная с R2021a, значением по умолчанию для параметров Тип данных оценки и Тип данных необработанной оценки является Inherit: auto.

Укажите тип данных ядра как имя типа данных или объект типа данных

В R2021a изменилось поведение

Начиная с R2021a, параметр типа данных Kernel не поддерживает унаследованные параметры. Тип данных Kernel можно указать в качестве поддерживаемого имени типа данных или объекта типа данных.

Расширенные возможности

Создание кода C/C + +
Создайте код C и C++ с помощью Simulink ® Coder™

Преобразование с фиксированной точкой
Проектирование и моделирование систем с фиксированной точкой с помощью Designer™ с фиксированной точкой.

См. также

Темы

Представлен в R2020b

Документация

ClassificationSVM предсказывают

Описание

Порты

Вход

x - Данные предиктора вектор строки | вектор столбца

Зависимости

Продукция

label - Прогнозируемая метка класса скаляр

Зависимости

score - Прогнозируемые оценки класса или задние вероятности скалярный | вектор 1 на 2

Зависимости

Параметры

Главный

Select trained machine learning model - Модель классификации SVM svmMdl (по умолчанию) | ClassificationSVM объект | CompactClassificationSVM объект

Программное использование

Add output port for predicted class scores - Добавление второго выходного порта для прогнозируемых оценок класса off (по умолчанию) | on

Программное использование

Типы данных

Integer rounding mode - Режим округления для операций с фиксированной точкой Floor (по умолчанию) | Ceiling | Convergent | Nearest | Round | Simplest | Zero

Программное использование

Saturate on integer overflow - Метод действия переполнения off (по умолчанию) | on

Программное использование

Lock output data type setting against changes by the fixed-point tools - Запретить переопределение типа данных инструментами с фиксированной точкой off (по умолчанию) | on

Программное использование

Зависимости

Программное использование

Label minimum - Минимальное значение выхода метки для проверки дальности [] (по умолчанию) | скаляр

Зависимости

Программное использование

Label maximum - Максимальное значение выхода метки для проверки дальности [] (по умолчанию) | скаляр

Зависимости

Программное использование

Score data type - Тип данных результата оценки Inherit: auto (по умолчанию) | double | single | half | int8 | uint8 | int16 | uint16 | int32 | uint32 | int64 | uint64 | boolean | fixdt(1,16) | fixdt(1,16,0) | fixdt(1,16,2^0,0) | <data type expression>

Программное использование

Score minimum - Минимальное значение результата оценки для проверки дальности [] (по умолчанию) | скаляр

Программное использование

Score maximum - Максимальное значение результата оценки для проверки дальности [] (по умолчанию) | скаляр

Программное использование

Зависимости

Программное использование

Raw score minimum - Минимальная нетрансформированная оценка для проверки дальности [] (по умолчанию) | скаляр

Программное использование

Raw score maximum - Максимальная нетрансформированная оценка для проверки дальности [] (по умолчанию) | скаляр

Программное использование

Kernel data type - Тип данных вычисления ядра double (по умолчанию) | single | half | int8 | uint8 | int16 | uint16 | int32 | int64 | uint64 | uint32 | boolean | fixdt(1,16) | fixdt(1,16,0) | fixdt(1,16,2^0,0) | <data type expression>

Программное использование

Kernel minimum - Минимальное значение вычисления ядра для проверки диапазона [] (по умолчанию) | скаляр

Программное использование

Kernel maximum - Максимальное значение вычисления ядра для проверки диапазона [] (по умолчанию) | скаляр

Программное использование

Примеры модели

Предскажите, что этикетки класса Используя ClassificationSVM предсказывают блок

Характеристики блока

Подробнее

Оценка классификации

Задняя вероятность

Предварительная вероятность

Совет

Альтернативная функциональность

Вопросы совместимости

Значение по умолчанию типа данных Label: Inherit: Inherit via back propagation для числовых и логических меток и Inherit: auto для нечисловых этикеток

Значение по умолчанию типа данных Score и типа данных Raw score: Inherit: auto

Укажите тип данных ядра как имя типа данных или объект типа данных

Расширенные возможности

Создание кода C/C + + Создайте код C и C++ с помощью Simulink ® Coder™

Преобразование с фиксированной точкой Проектирование и моделирование систем с фиксированной точкой с помощью Designer™ с фиксированной точкой.

См. также

Блоки

Объекты

Функции

Темы

Документация по инструментам для статистического и машинного обучения

Поддержка

`x` - Данные предиктора
вектор строки | вектор столбца

`label` - Прогнозируемая метка класса
скаляр

`score` - Прогнозируемые оценки класса или задние вероятности
скалярный | вектор 1 на 2

`Select trained machine learning model` - Модель классификации SVM
`svmMdl` (по умолчанию) | `ClassificationSVM` объект | `CompactClassificationSVM` объект

`Add output port for predicted class scores` - Добавление второго выходного порта для прогнозируемых оценок класса
`off` (по умолчанию) | `on`

`Integer rounding mode` - Режим округления для операций с фиксированной точкой
`Floor` (по умолчанию) | `Ceiling` | `Convergent` | `Nearest` | `Round` | `Simplest` | `Zero`

`Saturate on integer overflow` - Метод действия переполнения
`off` (по умолчанию) | `on`

`Lock output data type setting against changes by the fixed-point tools` - Запретить переопределение типа данных инструментами с фиксированной точкой
`off` (по умолчанию) | `on`

`Label minimum` - Минимальное значение выхода метки для проверки дальности
`[]` (по умолчанию) | скаляр

`Label maximum` - Максимальное значение выхода метки для проверки дальности
`[]` (по умолчанию) | скаляр

`Score minimum` - Минимальное значение результата оценки для проверки дальности
`[]` (по умолчанию) | скаляр

`Score maximum` - Максимальное значение результата оценки для проверки дальности
`[]` (по умолчанию) | скаляр

`Raw score minimum` - Минимальная нетрансформированная оценка для проверки дальности
`[]` (по умолчанию) | скаляр

`Raw score maximum` - Максимальная нетрансформированная оценка для проверки дальности
`[]` (по умолчанию) | скаляр

`Kernel minimum` - Минимальное значение вычисления ядра для проверки диапазона
`[]` (по умолчанию) | скаляр

`Kernel maximum` - Максимальное значение вычисления ядра для проверки диапазона
`[]` (по умолчанию) | скаляр

Значение по умолчанию типа данных Label: `Inherit: Inherit via back propagation` для числовых и логических меток и `Inherit: auto` для нечисловых этикеток

Значение по умолчанию типа данных Score и типа данных Raw score: `Inherit: auto`

Создание кода C/C + +
Создайте код C и C++ с помощью Simulink ® Coder™

Преобразование с фиксированной точкой
Проектирование и моделирование систем с фиксированной точкой с помощью Designer™ с фиксированной точкой.