Классификация наблюдений в многоклассовой модели выходных кодов с коррекцией ошибок (ECOC)
возвращает вектор предсказанных меток классов (label
= resubPredict(Mdl
)label
) для обученного многоклассового выхода кодов с коррекцией ошибок (ECOC) Mdl
использование данных предиктора, хранящихся в Mdl.X
.
Программа предсказывает классификацию наблюдения путем присвоения наблюдения классу, получая наибольшие отрицательные средние двоичные потери (или, что эквивалентно, наименьшие средние двоичные потери).
возвращает предсказанные метки классов с дополнительными опциями, заданными одним или несколькими аргументами пары "имя-значение". Для примера задайте апостериорный метод оценки вероятностей, схему декодирования или уровень подробностей.label
= resubPredict(Mdl
,Name,Value
)
[
использует любой из комбинаций входных аргументов в предыдущих синтаксисах и дополнительно возвращает отрицательные средние значения двоичные потери за класс (label
,NegLoss
,PBScore
]
= resubPredict(___)NegLoss
) для наблюдений и счетов положительного класса (PBScore
) для наблюдений, классифицированных каждым двоичным учеником.
[
дополнительно возвращает апостериорные оценки вероятностей классов для наблюдений (label
,NegLoss
,PBScore
,Posterior
]
= resubPredict(___)Posterior
).
Чтобы получить апостериорные вероятности классов, вы должны задать 'FitPosterior',true
при обучении модели ECOC используя fitcecoc
. В противном случае, resubPredict
выдает ошибку.
Загрузите набор данных радужки Фишера. Задайте данные предиктора X
, данные отклика Y
, и порядок классов в Y
.
load fisheriris
X = meas;
Y = categorical(species);
classOrder = unique(Y);
Обучите модель ECOC с помощью двоичных классификаторов SVM. Стандартизируйте предикторы с помощью шаблона SVM и задайте порядок классов.
t = templateSVM('Standardize',true); Mdl = fitcecoc(X,Y,'Learners',t,'ClassNames',classOrder);
t
является объектом шаблона SVM. Во время обучения программное обеспечение использует значения по умолчанию для пустых свойств в t
. Mdl
является ClassificationECOC
модель.
Спрогнозируйте метки обучающих данных. Печать случайного подмножества истинных и предсказанных меток.
labels = resubPredict(Mdl); rng(1); % For reproducibility n = numel(Y); % Sample size idx = randsample(n,10); table(Y(idx),labels(idx),'VariableNames',{'TrueLabels','PredictedLabels'})
ans=10×2 table
TrueLabels PredictedLabels
__________ _______________
setosa setosa
versicolor versicolor
virginica virginica
setosa setosa
versicolor versicolor
setosa setosa
versicolor versicolor
versicolor versicolor
setosa setosa
setosa setosa
Mdl
правильно помечает наблюдения индексами idx
.
Загрузите набор данных радужки Фишера. Задайте данные предиктора X
, данные отклика Y
, и порядок классов в Y
.
load fisheriris X = meas; Y = categorical(species); classOrder = unique(Y); % Class order
Обучите модель ECOC с помощью двоичных классификаторов SVM. Стандартизируйте предикторы с помощью шаблона SVM и задайте порядок классов.
t = templateSVM('Standardize',true); Mdl = fitcecoc(X,Y,'Learners',t,'ClassNames',classOrder);
t
является объектом шаблона SVM. Во время обучения программное обеспечение использует значения по умолчанию для пустых свойств в t
. Mdl
является ClassificationECOC
модель.
Счета SVM являются подписанными расстояниями от наблюдения до контура принятия решения. Поэтому область является . Создайте пользовательскую функцию двоичных потерь, которая делает следующее:
Сопоставьте матрицу проекта кодирования (M) и классификационные оценки (оценки ) (ы) положительного класса для каждого учащегося с двоичными потерями для каждого наблюдения.
Используйте линейные потери.
Агрегируйте двоичные потери учащегося с помощью медианы.
Можно создать отдельную функцию для функции двоичных потерь, а затем сохранить ее в пути MATLAB ®. Или можно задать анонимную функцию двоичных потерь. В этом случае создайте указатель на функцию (customBL
) к анонимной функции двоичных потерь.
customBL = @(M,s)nanmedian(1 - bsxfun(@times,M,s),2)/2;
Спрогнозируйте метки для обучающих данных и оцените медианные двоичные потери на класс. Печать медианы отрицательных двоичных потерь на класс для случайного набора из 10 наблюдений.
[label,NegLoss] = resubPredict(Mdl,'BinaryLoss',customBL); rng(1); % For reproducibility n = numel(Y); % Sample size idx = randsample(n,10); classOrder
classOrder = 3x1 categorical
setosa
versicolor
virginica
table(Y(idx),label(idx),NegLoss(idx,:),'VariableNames',... {'TrueLabel','PredictedLabel','NegLoss'})
ans=10×3 table
TrueLabel PredictedLabel NegLoss
__________ ______________ _______________________________
setosa versicolor 0.12379 1.9569 -3.5807
versicolor versicolor -1.0172 0.62935 -1.1122
virginica virginica -1.9087 -0.21744 0.62617
setosa versicolor 0.4386 2.2441 -4.1827
versicolor versicolor -1.0735 0.39638 -0.82292
setosa versicolor 0.26672 2.2003 -3.967
versicolor versicolor -1.1237 0.69917 -1.0754
versicolor versicolor -1.2714 0.51834 -0.74695
setosa versicolor 0.35211 2.0677 -3.9198
setosa versicolor 0.23357 2.1885 -3.9221
Порядок столбцов соответствует элементам classOrder
. Программа прогнозирует метку на основе максимальных отрицательных потерь. Результаты показывают, что медиана линейных потерь может не работать так же хорошо, как другие потери.
Обучите классификатор ECOC с помощью двоичных учащихся SVM. Сначала спрогнозируйте метки обучающей выборки и апостериорные вероятности класса. Затем спрогнозируйте апостериорную вероятность максимального класса в каждой точке сетки. Визуализация результатов.
Загрузите набор данных радужки Фишера. Укажите размерности лепестков в качестве предикторов, а имена видов - в качестве отклика.
load fisheriris X = meas(:,3:4); Y = species; rng(1); % For reproducibility
Создайте шаблон SVM. Стандартизируйте предикторы и задайте Гауссово ядро.
t = templateSVM('Standardize',true,'KernelFunction','gaussian');
t
является шаблоном SVM. Большинство его свойств пусты. Когда программное обеспечение обучает классификатор ECOC, оно устанавливает применимые свойства на их значения по умолчанию.
Обучите классификатор ECOC с помощью шаблона SVM. Преобразуйте классификационные оценки в апостериорные вероятности класса (которые возвращаются predict
или resubPredict
) использование 'FitPosterior'
аргумент пары "имя-значение". Задайте порядок классов используя 'ClassNames'
аргумент пары "имя-значение". Отображать диагностические сообщения во время обучения при помощи 'Verbose'
аргумент пары "имя-значение".
Mdl = fitcecoc(X,Y,'Learners',t,'FitPosterior',true,... 'ClassNames',{'setosa','versicolor','virginica'},... 'Verbose',2);
Training binary learner 1 (SVM) out of 3 with 50 negative and 50 positive observations. Negative class indices: 2 Positive class indices: 1 Fitting posterior probabilities for learner 1 (SVM). Training binary learner 2 (SVM) out of 3 with 50 negative and 50 positive observations. Negative class indices: 3 Positive class indices: 1 Fitting posterior probabilities for learner 2 (SVM). Training binary learner 3 (SVM) out of 3 with 50 negative and 50 positive observations. Negative class indices: 3 Positive class indices: 2 Fitting posterior probabilities for learner 3 (SVM).
Mdl
является ClassificationECOC
модель. Тот же шаблон SVM применяется к каждому двоичному ученику, но можно настроить опции для каждого двоичного ученика, передав в вектор камер шаблонов.
Спрогнозируйте метки обучающей выборки и апостериорные вероятности класса. Отображайте диагностические сообщения во время расчета меток и классифицируйте апостериорные вероятности при помощи 'Verbose'
аргумент пары "имя-значение".
[label,~,~,Posterior] = resubPredict(Mdl,'Verbose',1);
Predictions from all learners have been computed. Loss for all observations has been computed. Computing posterior probabilities...
Mdl.BinaryLoss
ans = 'quadratic'
Программа присваивает наблюдение классу, которое приводит к наименьшим средним двоичным потерям. Поскольку все двоичные ученики вычисляют апостериорные вероятности, функция двоичных потерь quadratic
.
Отображение случайного набора результатов.
idx = randsample(size(X,1),10,1); Mdl.ClassNames
ans = 3x1 cell
{'setosa' }
{'versicolor'}
{'virginica' }
table(Y(idx),label(idx),Posterior(idx,:),... 'VariableNames',{'TrueLabel','PredLabel','Posterior'})
ans=10×3 table
TrueLabel PredLabel Posterior
______________ ______________ ______________________________________
{'virginica' } {'virginica' } 0.0039322 0.003987 0.99208
{'virginica' } {'virginica' } 0.017067 0.018263 0.96467
{'virginica' } {'virginica' } 0.014948 0.015856 0.9692
{'versicolor'} {'versicolor'} 2.2197e-14 0.87318 0.12682
{'setosa' } {'setosa' } 0.999 0.00025092 0.00074638
{'versicolor'} {'virginica' } 2.2195e-14 0.05943 0.94057
{'versicolor'} {'versicolor'} 2.2194e-14 0.97001 0.029985
{'setosa' } {'setosa' } 0.999 0.00024991 0.0007474
{'versicolor'} {'versicolor'} 0.0085642 0.98259 0.0088487
{'setosa' } {'setosa' } 0.999 0.00025013 0.00074717
Столбцы Posterior
соответствуют классу порядка Mdl.ClassNames
.
Задайте сетку значений в наблюдаемом пространстве предикторов. Спрогнозируйте апостериорные вероятности для каждого образца в сетке.
xMax = max(X); xMin = min(X); x1Pts = linspace(xMin(1),xMax(1)); x2Pts = linspace(xMin(2),xMax(2)); [x1Grid,x2Grid] = meshgrid(x1Pts,x2Pts); [~,~,~,PosteriorRegion] = predict(Mdl,[x1Grid(:),x2Grid(:)]);
Для каждой координаты на сетке постройте график максимальной апостериорной вероятности класса среди всех классов.
contourf(x1Grid,x2Grid,... reshape(max(PosteriorRegion,[],2),size(x1Grid,1),size(x1Grid,2))); h = colorbar; h.YLabel.String = 'Maximum posterior'; h.YLabel.FontSize = 15; hold on gh = gscatter(X(:,1),X(:,2),Y,'krk','*xd',8); gh(2).LineWidth = 2; gh(3).LineWidth = 2; title('Iris Petal Measurements and Maximum Posterior') xlabel('Petal length (cm)') ylabel('Petal width (cm)') axis tight legend(gh,'Location','NorthWest') hold off
Этот пример использует:
Обучите многоклассовую модель ECOC и оцените апостериорные вероятности с помощью параллельных вычислений.
Загрузите arrhythmia
набор данных. Исследуйте данные отклика Y
, и определить количество классов.
load arrhythmia
Y = categorical(Y);
tabulate(Y)
Value Count Percent 1 245 54.20% 2 44 9.73% 3 15 3.32% 4 15 3.32% 5 13 2.88% 6 25 5.53% 7 3 0.66% 8 2 0.44% 9 9 1.99% 10 50 11.06% 14 4 0.88% 15 5 1.11% 16 22 4.87%
K = numel(unique(Y));
Несколько классов не представлены в данных, и многие другие классы имеют низкие относительные частоты.
Укажите шаблон обучения ансамбля, который использует метод GentleBoost и 50 слабых учащихся дерева классификации.
t = templateEnsemble('GentleBoost',50,'Tree');
t
является объектом шаблона. Большинство его свойств пусты ([]
). Во время обучения программа использует значения по умолчанию для всех пустых свойств.
Поскольку переменная отклика содержит много классов, задайте разреженный проект случайного кодирования.
rng(1); % For reproducibility Coding = designecoc(K,'sparserandom');
Обучите модель ECOC с помощью параллельных вычислений. Задайте, чтобы соответствовать апостериорным вероятностям.
pool = parpool; % Invokes workers
Starting parallel pool (parpool) using the 'local' profile ... Connected to the parallel pool (number of workers: 6).
options = statset('UseParallel',true); Mdl = fitcecoc(X,Y,'Learner',t,'Options',options,'Coding',Coding,... 'FitPosterior',true);
Mdl
является ClassificationECOC
модель. Вы можете получить доступ к его свойствам с помощью записи через точку.
Пул вызывает шесть работников, хотя количество работников может варьироваться среди систем.
Оцените апостериорные вероятности и отобразите апостериорную вероятность того, что они будут классифицированы как не имеющие аритмии (класс 1), учитывая случайное подмножество обучающих данных.
[~,~,~,posterior] = resubPredict(Mdl); n = numel(Y); idx = randsample(n,10,1); table(idx,Y(idx),posterior(idx,1),... 'VariableNames',{'ObservationIndex','TrueLabel','PosteriorNoArrythmia'})
ans=10×3 table
ObservationIndex TrueLabel PosteriorNoArrythmia
________________ _________ ____________________
79 1 0.93436
248 1 0.95574
398 10 0.032378
207 1 0.97965
340 1 0.93656
206 1 0.97795
345 10 0.015642
296 2 0.13433
391 1 0.9648
406 1 0.94861
Mdl
- Полная, обученная многоклассовая модель ECOCClassificationECOC
модельПолная, обученная многоклассовая модель ECOC, заданная как ClassificationECOC
модель, обученная с fitcecoc
.
Задайте необязательные разделенные разделенными запятой парами Name,Value
аргументы. Name
- имя аргумента и Value
- соответствующее значение. Name
должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN
.
resubPredict(Mdl,'BinaryLoss','linear','Decoding','lossbased')
задает линейную двоичную функцию потерь учащегося и основанную на потерях схему декодирования для агрегирования двоичных потерь.'BinaryLoss'
- Бинарная функция потерь для учащихся'hamming'
| 'linear'
| 'logit'
| 'exponential'
| 'binodeviance'
| 'hinge'
| 'quadratic'
| указатель на функциюДвоичная функция потерь учащегося, заданная как разделенная разделенными запятой парами, состоящая из 'BinaryLoss'
и встроенное имя функции потери или указатель на функцию.
Эта таблица описывает встроенные функции, где yj является меткой класса для конкретного двоичного ученика (в наборе {-1,1,0}), sj является счетом для j наблюдений, а g (yj, sj) является формулой двоичных потерь.
Значение | Описание | Счет | g (yj, sj) |
---|---|---|---|
'binodeviance' | Биномиальное отклонение | (–∞,∞) | log [1 + exp (-2 yjsj) ]/[ 2log (2)] |
'exponential' | Экспоненциал | (–∞,∞) | exp (- yjsj )/2 |
'hamming' | Хэмминг | [0,1] или (- ∞, ∞) | [1 - знак (yjsj) ]/2 |
'hinge' | Стержень | (–∞,∞) | макс (0,1 - yjsj )/2 |
'linear' | Линейный | (–∞,∞) | (1 – yjsj)/2 |
'logit' | Логистический | (–∞,∞) | журнал [1 + exp (- yjsj) ]/[ 2log (2)] |
'quadratic' | Квадратный | [0,1] | [1 – yj (2 sj – 1)]2/2 |
Программа нормализует двоичные потери так, чтобы потеря была 0,5 при yj = 0. Кроме того, программное обеспечение вычисляет средние двоичные потери для каждого класса.
Для пользовательской функции двоичных потерь, например customFunction
, задайте его указатель на функцию 'BinaryLoss',@customFunction
.
customFunction
имеет следующую форму:
bLoss = customFunction(M,s)
M
- K матрица кодирования L, сохраненная в Mdl.CodingMatrix
.
s
- вектор-строка L 1 байта классификационных баллов.
bLoss
- классификационные потери. Этот скаляр агрегирует двоичные потери для каждого учащегося в конкретном классе. Для примера можно использовать среднее значение двоичных потерь для агрегирования потерь по учащимся для каждого класса.
K - количество классов.
L - это количество двоичных учащихся.
Для примера передачи пользовательской функции двоичных потерь смотрите Предсказание меток теста-образца модели ECOC с помощью Пользовательской функции двоичных потерь.
Значение по умолчанию BinaryLoss
значение зависит от областей значений счетов, возвращаемых двоичными учениками. Эта таблица описывает некоторые BinaryLoss
по умолчанию значения, основанные на данных допущениях.
Предположение | Значение по умолчанию |
---|---|
Все двоичные ученики являются SVM или линейными или ядерными классификационными моделями учащихся SVM. | 'hinge' |
Все двоичные ученики - это ансамбли, обученные AdaboostM1 или GentleBoost . | 'exponential' |
Все двоичные ученики - это ансамбли, обученные LogitBoost . | 'binodeviance' |
Все двоичные ученики являются линейными или ядерными классификационными моделями обучающихся логистической регрессии. Или вы задаете, чтобы предсказать апостериорные вероятности класса путем установки 'FitPosterior',true в fitcecoc . | 'quadratic' |
Чтобы проверить значение по умолчанию, используйте запись через точку для отображения BinaryLoss
свойство обученной модели в командной строке.
Пример: 'BinaryLoss','binodeviance'
Типы данных: char
| string
| function_handle
'Decoding'
- Схема декодирования'lossweighted'
(по умолчанию) | 'lossbased'
Схема декодирования, которая агрегирует двоичные потери, заданные как разделенная разделенными запятой парами, состоящая из 'Decoding'
и 'lossweighted'
или 'lossbased'
. Для получения дополнительной информации смотрите Двоичные потери.
Пример: 'Decoding','lossbased'
'NumKLInitializations'
- Количество случайных начальных значений0
(по умолчанию) | неотрицательным целочисленным скаляромКоличество случайных начальных значений для подбора кривой апостериорных вероятностей путем минимизации расхождения Кулбака-Лейблера, заданное как разделенная разделенными запятой парами, состоящая из 'NumKLInitializations'
и неотрицательный целочисленный скаляр.
Если вы не запрашиваете четвертый выходной аргумент (Posterior
) и установите 'PosteriorMethod','kl'
(по умолчанию), тогда программа игнорирует значение NumKLInitializations
.
Для получения дополнительной информации см. «Апостериорная оценка с использованием расхождения Кулбэка-Лейблера».
Пример: 'NumKLInitializations',5
Типы данных: single
| double
'Options'
- опции оценки[]
(по умолчанию) | массив структур, возвращенный statset
Опции оценки, заданные как разделенная разделенными запятой парами, состоящая из 'Options'
и массив структур, возвращенный statset
.
Чтобы вызвать параллельные вычисления:
Вам нужна лицензия Parallel Computing Toolbox™.
Задайте 'Options',statset('UseParallel',true)
.
'PosteriorMethod'
- Апостериорный метод оценки вероятностей'kl'
(по умолчанию) | 'qp'
Апостериорный метод оценки вероятности, заданный как разделенная разделенными запятой парами, состоящая из 'PosteriorMethod'
и 'kl'
или 'qp'
.
Если PosteriorMethod
является 'kl'
затем программное обеспечение оценивает многоклассовые апостериорные вероятности путем минимизации расхождения Кулбэка-Лейблера между предсказанной и ожидаемой апостериорной вероятностями, возвращенными двоичными учениками. Для получения дополнительной информации смотрите Апостериорную оценку с использованием расхождения Кулбэка-Лейблера.
Если PosteriorMethod
является 'qp'
затем программное обеспечение оценивает многоклассовые апостериорные вероятности путем решения задачи наименьших квадратов с помощью квадратичного программирования. Чтобы использовать эту опцию, вам нужна лицензия Optimization Toolbox™. Для получения дополнительной информации смотрите Апостериорную оценку с использованием квадратичного программирования.
Если вы не запрашиваете четвертый выходной аргумент (Posterior
), тогда программное обеспечение игнорирует значение PosteriorMethod
.
Пример: 'PosteriorMethod','qp'
'Verbose'
- Уровень подробностей0
(по умолчанию) | 1
Уровень подробностей, заданный как разделенная разделенными запятой парами, состоящая из 'Verbose'
и 0
или 1
. Verbose
управляет количеством диагностических сообщений, которые программное обеспечение отображений в Командном окне.
Если Verbose
является 0
тогда программа не отображает диагностические сообщения. В противном случае программа отображает диагностические сообщения.
Пример: 'Verbose',1
Типы данных: single
| double
label
- Предсказанные метки классовПредсказанные метки классов, возвращенные как категориальный или символьный массив, логический или числовой вектор или массив ячеек из векторов символов.
label
имеет тот совпадающий тип данных что и Mdl.ClassNames
и имеет одинаковое число строк как Mdl.X
.
Программа предсказывает классификацию наблюдения путем присвоения наблюдения классу, получая наибольшие отрицательные средние двоичные потери (или, что эквивалентно, наименьшие средние двоичные потери).
NegLoss
- Отрицательные средние двоичные потериОтрицательные средние двоичные потери, возвращенные как числовая матрица. NegLoss
является n -by - K матрицей, где n - количество наблюдений (size(Mdl.X,1)
) и K количество уникальных классов (size(Mdl.ClassNames,1)
).
PBScore
- Положительные счета классаСчета класса для каждого двоичного ученика, возвращенные в виде числовой матрицы. PBScore
является n -by - L матрицей, где n - количество наблюдений (size(Mdl.X,1)
) и L количество двоичных учащихся (size(Mdl.CodingMatrix,2)
).
Posterior
- Апостериорные вероятности классовАпостериорные вероятности классов, возвращенные как числовая матрица. Posterior
является n -by - K матрицей, где n - количество наблюдений (size(Mdl.X,1)
) и K количество уникальных классов (size(Mdl.ClassNames,1)
).
Чтобы запросить Posterior
, вы должны задать 'FitPosterior',true
при обучении модели ECOC используя fitcecoc
. В противном случае программа выдает ошибку.
binary loss является функцией класса и классификационной оценки, которая определяет, насколько хорошо двоичный ученик классифицирует наблюдение в класс.
Предположим следующее:
mkj является элементом (k, j) матрицы разработки кодирования M (то есть кода, соответствующего k классов двоичных j обучающегося).
sj - этот счет двоичных j учащихся для наблюдения.
g является функцией двоичных потерь.
- предсказанный класс для наблюдения.
В loss-based decoding [Escalera et al.] класс, производящий минимальную сумму двоичных потерь по сравнению с двоичными учениками, определяет предсказанный класс наблюдения, то есть
В loss-weighted decoding [Escalera et al.] класс, производящий минимальное среднее значение двоичных потерь по сравнению с двоичными учениками, определяет предсказанный класс наблюдения, то есть
Allwein et al. предположим, что утраченное декодирование повышает точность классификации путем сохранения значений потерь для всех классов в одной динамической области значений.
В этой таблице приведены поддерживаемые функции потерь, где yj является меткой класса для конкретного двоичного обучающегося (в наборе {-1,1,0}), sj является счетом для j наблюдений и g (yj, sj).
Значение | Описание | Счет | g (yj, sj) |
---|---|---|---|
'binodeviance' | Биномиальное отклонение | (–∞,∞) | log [1 + exp (-2 yjsj) ]/[ 2log (2)] |
'exponential' | Экспоненциал | (–∞,∞) | exp (- yjsj )/2 |
'hamming' | Хэмминг | [0,1] или (- ∞, ∞) | [1 - знак (yjsj) ]/2 |
'hinge' | Стержень | (–∞,∞) | макс (0,1 - yjsj )/2 |
'linear' | Линейный | (–∞,∞) | (1 – yjsj)/2 |
'logit' | Логистический | (–∞,∞) | журнал [1 + exp (- yjsj) ]/[ 2log (2)] |
'quadratic' | Квадратный | [0,1] | [1 – yj (2 sj – 1)]2/2 |
Программа нормализует двоичные потери таким образом, что потеря составляет 0,5 при yj = 0, и агрегирует, используя среднее значение двоичных учащихся [Allwein et al.].
Не путайте двоичные потери с общими классификационными потерями (заданными 'LossFun'
Аргумент пары "имя-значение" из loss
и predict
функции объекта), который измеряет, насколько хорошо классификатор ECOC работает в целом.
Программа может оценить апостериорные вероятности класса путем минимизации расхождения Кулбэка-Лейблера или с помощью квадратичного программирования. Для следующих описаний алгоритмов апостериорной оценки примите, что:
mkj - элемент (k, j) матричной M проекта кодирования.
I является функцией индикации.
- классовая апостериорная оценка вероятности для класса k наблюдения, k = 1,..., K.
rj является апостериорной вероятностью положительного класса для двоичных j учащегося. То есть rj вероятность того, что двоичный j учащегося классифицирует наблюдение в положительный класс, учитывая обучающие данные.
По умолчанию программное обеспечение минимизирует расхождение Кулбэка-Лейблера, чтобы оценить апостериорные вероятности класса. Расхождение Куллбэка-Лейблера между ожидаемыми и наблюдаемыми апостериорными вероятностями положительного класса является
где - вес для двоичных j учащегося.
Sj - это набор индексов наблюдений, на которых обучаются j двоичных учащихся.
- вес i наблюдений.
Программа итерационно минимизирует расхождение. Первым шагом является выбор начальных значений для апостериорных вероятностей класса.
Если вы не задаете 'NumKLIterations'
затем программа пробует оба набора детерминированных начальных значений, описанных далее, и выбирает набор, который минимизирует
является решением системы
где M 01 M со всеми mkj = -1, замененными на 0, и r является вектором апостериорных вероятностей положительного класса, возвращенных L двоичными учениками [Dietterich et al.]. Программное обеспечение используетlsqnonneg
для решения системы.
Если вы задаете 'NumKLIterations',c
, где c
является натуральным числом, затем программное обеспечение делает следующее, чтобы выбрать набор , и выбирает множество, которое минимизирует
Программа пробует оба набора детерминированных начальных значений, как описано ранее.
Программа случайным образом генерирует c
векторы длины K использованием rand
, и затем нормализует каждый вектор до суммы 1.
На t итерации программное обеспечение завершает следующие шаги:
Вычислить
Оцените апостериорную вероятность следующего класса, используя
Нормализовать так что они равны 1.
Проверяйте на сходимость.
Для получения дополнительной информации см. [Hastie et al.] и [Zadrozny].
Апостериорная оценка вероятности с использованием квадратичного программирования требует лицензии Optimization Toolbox. Чтобы оценить апостериорные вероятности для наблюдения с помощью этого метода, программное обеспечение завершает следующие шаги:
Оцените апостериорные вероятности положительного класса, rj, для двоичных учащихся j = 1,..., L.
Использование связи между rj и [Wu et al.], минимизировать
по отношению к и ограничения
Программное обеспечение выполняет минимизацию, используя quadprog
(Optimization Toolbox).
[1] Allwein, E., R. Schapire, and Y. Singer. «Сокращение многоклассового числа до двоичного: Унифицирующий подход к маржинальным classifiers». Журнал исследований машинного обучения. Том 1, 2000, стр. 113-141.
[2] Диттерих, Т., и Г. Бакири. «Решение многоклассовых задач обучения с помощью выходных кодов с исправлением ошибок». Журнал исследований искусственного интеллекта. Том 2, 1995, стр. 263-286.
[3] Эскалера, С., О. Пужоль, и П. Радева. «О процессе декодирования в троичных выходных кодах с исправлением ошибок». Транзакции IEEE по шаблонному анализу и машинному анализу. Том 32, Выпуск 7, 2010, стр. 120-134.
[4] Эскалера, С., О. Пужоль, и П. Радева. «Разделяемость троичных кодов для разреженных проектов выходных кодов с исправлением ошибок». Pattern Recogn (Повторный вызов шаблона). Том 30, Выпуск 3, 2009, стр. 285-297.
[5] Хасти, Т. и Р. Тибширани. Классификация по парному соединению. Анналы статистики. Том 26, Выпуск 2, 1998, стр. 451-471.
[6] Wu, T. F., C. J. Лин и Р. Венг. «Оценки вероятностей для многоклассовой классификации по парным связям». Журнал исследований машинного обучения. Том 5, 2004, стр. 975-1005.
[7] Задрозный, Б. «Уменьшение мультикласса до двоичного путем связывания оценок вероятностей». NIPS 2001: Труды по усовершенствованиям в системах нейронной обработки информации 14, 2001, стр. 1041-1048.
Чтобы выполнять параллельно, задайте 'Options'
аргумент имя-значение в вызове этой функции и установите 'UseParallel'
поле структуры опций для true
использование statset
.
Для примера: 'Options',statset('UseParallel',true)
Для получения дополнительной информации о параллельных вычислениях смотрите Запуск функций MATLAB с автоматической поддержкой параллельных вычислений (Parallel Computing Toolbox).
ClassificationECOC
| fitcecoc
| predict
| resubLoss
| statset
| quadprog
(Optimization Toolbox)
У вас есть измененная версия этого примера. Вы хотите открыть этот пример с вашими правками?
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.