Сдвоенные коэффициенты задачи, заданные как вектор числовых значений. Alpha содержит m элементов, где m - количество векторов поддержки в тренированной регрессионной модели SVM. Двойственная задача вводит два множителя Лагранжа для каждого вектора поддержки. Значения Alpha - различия между двумя оценочными множителями Лагранжа для векторов поддержки. Дополнительные сведения см. в разделе Общие сведения о поддержке векторной машинной регрессии.

Если указано удаление дубликатов с помощью RemoveDuplicatesзатем для определенного набора дублирующих наблюдений, которые являются векторами поддержки, Alpha содержит один коэффициент, соответствующий всему набору. То есть MATLAB ® приписывает ненулевой коэффициент одному наблюдению из набора дубликатов и коэффициенту 0 ко всем другим дублирующимся наблюдениям в наборе.

Типы данных: single | double

Коэффициенты основной линейной задачи, хранящиеся в виде числового вектора длины p, где p - количество предикторов в модели регрессии SVM.

Значения в Beta - линейные коэффициенты для основной задачи оптимизации.

Если модель получена с использованием функции ядра, отличной от 'linear', это свойство пустое ('[]').

predict метод вычисляет прогнозируемые значения отклика для модели как YFIT = (X/S)×Beta + Bias, где S - значение шкалы ядра, хранящееся в KernelParameters.Scale собственность.

Типы данных: single | double

Член смещения в регрессионной модели SVM, хранящийся как скалярное значение.

Типы данных: single | double

Ограничения поля для альфа-коэффициентов двойной задачи, хранящиеся в виде числового вектора, содержащего n элементов, где n - количество наблюдений в X (Mdl.NumObservations).

Абсолютное значение двойного коэффициента Alpha для наблюдения i не может превышать BoxConstraints(i).

При указании удаления дубликатов с помощью 'RemoveDuplicates', то для данного набора повторяющихся наблюдений MATLAB суммирует ограничения поля, а затем приписывает сумму одному наблюдению и ограничениям поля 0 ко всем остальным наблюдениям в наборе.

Типы данных: single | double

Кэширование информации, хранящейся в виде структуры со следующими полями.

Типы данных: struct

Индексы категориального предиктора, указанные как вектор положительных целых чисел. CategoricalPredictors содержит значения индекса, соответствующие столбцам данных предиктора, которые содержат категориальные предикторы. Если ни один из предикторов не категоричен, то это свойство пустое ([]).

Типы данных: single | double

Сведения о сходимости, хранящиеся в виде структуры со следующими полями.

Типы данных: struct

Половина ширины эпсилон-нечувствительной полосы, хранящейся как неотрицательное скалярное значение.

Типы данных: single | double

Расширенные имена предикторов, хранящиеся в виде клеточного массива символьных векторов.

Если модель использует кодировку для категориальных переменных, то ExpandedPredictorNames содержит имена, описывающие развернутые переменные. В противном случае ExpandedPredictorNames является таким же, как PredictorNames.

Типы данных: cell

Значения градиента в обучающих данных, хранящиеся в виде числового вектора, содержащего 2n элементов, где n - количество наблюдений в обучающих данных.

Элемент i из Gradient содержит значение градиента для Alpha коэффициент, который соответствует верхней границе эпсилон-нечувствительной полосы при наблюдении i в конце оптимизации.

Элемент i + NumНаблюдения Gradient содержит значение градиента для Alpha коэффициент, который соответствует нижней границе эпсилон-нечувствительной полосы при наблюдении i в конце оптимизации.

Типы данных: single | double

Это свойство доступно только для чтения.

Оптимизация гиперпараметров с перекрестной проверкой, указанная как BayesianOptimization объект или таблица гиперпараметров и связанных значений. Это свойство не является пустым, если 'OptimizeHyperparameters' аргумент пары «имя-значение» не является пустым при создании модели. Значение HyperparameterOptimizationResults зависит от настройки Optimizer в поле HyperparameterOptimizationOptions структура при создании модели.

Флаг, указывающий, является ли наблюдение вектором поддержки, хранящимся как логический вектор n-by-1. n - количество наблюдений в X (см. NumObservations). Значение 1 указывает, что соответствующее наблюдение в обучающих данных является вектором поддержки.

При указании удаления дубликатов с помощью RemoveDuplicates, то для данного набора повторяющихся наблюдений, которые являются векторами поддержки, IsSupportVector помечает только один в качестве вектора поддержки.

Типы данных: logical

Параметры функции ядра, хранящиеся в виде структуры со следующими полями.

Можно указать значения для KernelParameters.Function и KernelParameters.Scale с помощью KernelFunction и KernelScale аргументы пары имя-значение в fitrsvmсоответственно.

Типы данных: struct

Значения параметров, используемые для обучения модели регрессии SVM, хранящиеся как объект параметра модели. Доступ к свойствам ModelParameters с использованием точечной нотации. Например, получить доступ к значению Epsilon используется для обучения модели в качестве Mdl.ModelParameters.Epsilon.

Средство прогнозирования, хранящееся в виде вектора числовых значений.

Если предикторы стандартизированы, то Mu - числовой вектор длины p, где p - количество предикторов, используемых для обучения модели. В этом случае predict метод центрирует матрицу предиктора X вычитанием соответствующего элемента из Mu из каждого столбца.

Если предикторы не стандартизированы, то Mu пуст ('[]').

Если данные содержат категориальные предикторы, то Mu включает элементы для фиктивных переменных для этих предикторов. Соответствующие записи в Mu равны 0, поскольку фиктивные переменные не центрированы и не масштабированы.

Типы данных: single | double

Число итераций, необходимых подпрограмме оптимизации для достижения сходимости, сохраненное как положительное целое значение.

Чтобы задать ограничение на число итераций, используйте 'IterationLimit' аргумент пары имя-значение fitrsvm.

Типы данных: single | double

Количество наблюдений в данных обучения, сохраненных как положительное целое значение.

Типы данных: single | double

Имена предикторов, хранящиеся как массив ячеек символьных векторов, содержащих имя каждого предиктора в порядке их появления в X. PredictorNames имеет длину, равную количеству столбцов в X.

Типы данных: cell

Ожидаемая доля отклонений в обучающем наборе, сохраненная как скалярное значение в диапазоне [0,1]. Можно указать ожидаемую долю отклонений с помощью 'OutlierFraction' аргумент пары имя-значение в fitrsvm.

Типы данных: double

Имя ответной переменной, хранящейся в виде символьного вектора.

Типы данных: char

Функция преобразования ответа, указанная как 'none' или дескриптор функции. ResponseTransform описывает, как программное обеспечение преобразует необработанные значения ответа.

Для определяемой функции MATLAB введите ее дескриптор. Например, можно ввести Mdl.ResponseTransform = @function, где function принимает числовой вектор исходных ответов и возвращает числовой вектор того же размера, содержащий преобразованные ответы.

Типы данных: char | function_handle

Число итераций между сокращениями активного набора во время оптимизации, сохраненных как неотрицательное целое значение.

Можно задать период усадки с помощью 'ShrinkagePeriod' аргумент пары имя-значение в fitrsvm.

Типы данных: single | double

Предикторные стандартные отклонения, хранящиеся как вектор числовых значений.

Если предикторы стандартизированы, то Sigma - числовой вектор длины p, где p - количество предикторов, используемых для обучения модели. В этом случае predict метод масштабирует матрицу предиктора X делением каждого столбца на соответствующий элемент Sigma, после центрирования каждого элемента с использованием Mu.

Если предикторы не стандартизированы, то Sigma пуст ('[]').

Если данные содержат категориальные предикторы, Sigma включает элементы для фиктивных переменных для этих предикторов. Соответствующие записи в Sigma равны 1, поскольку фиктивные переменные не центрированы и не масштабированы.

Типы данных: single | double

Имя алгоритма решателя, используемого для решения задачи оптимизации, сохраненное как значение в этой таблице.

Поддерживают векторы, хранящиеся в виде матрицы m-by-p числовых значений. m - число векторов поддержки (sum(Mdl.IsSupportVector)), и p - количество предикторов в X.

Если указано удаление дубликатов с помощью RemoveDuplicates, то для данного набора повторяющихся наблюдений, которые являются векторами поддержки, SupportVectors содержит один уникальный вектор поддержки.

Типы данных: single | double

Веса наблюдений, используемые для обучения модели, хранящиеся в виде числового вектора, содержащего NumObservation количество элементов. fitrsvm нормализует веса, используемые для тренировок, таким образом, чтобы они равнялись 1.

Типы данных: single | double

Предикторные значения, используемые для обучения модели, хранятся в виде матрицы числовых значений, если модель обучена матрице, или таблицы, если модель обучена таблице. X имеет размер n-by-p, где n - количество строк, а p - число переменных предиктора или столбцов в обучающих данных.

Типы данных: single | double | table

Наблюдаемые значения ответа, хранящиеся в виде числового вектора, содержащего NumObservations количество элементов.

Типы данных: single | double