Двойственные коэффициенты задачи, заданные как вектор числовых значений. Alpha содержит m элементов, где m - количество поддержки векторов в обученной регрессионой модели SVM. Двойственная задача вводит два множителя Лагранжа для каждого вектора поддержки. Значения Alpha являются различиями между двумя предполагаемыми множителями Лагранжа для поддерживающих векторов. Для получения дополнительной информации смотрите Понимание Машины опорных векторов регрессия.

Если вы задали, чтобы удалить дубликаты с помощью RemoveDuplicatesзатем для определенного набора повторяющихся наблюдений, которые являются поддерживающими векторами, Alpha содержит один коэффициент, соответствующий всему множеству. То есть MATLAB^® приписывает ненулевый коэффициент одному наблюдению из множества дубликатов и коэффициенту 0 ко всем другим повторяющимся наблюдениям в наборе.

Типы данных: single | double

Основные линейные коэффициенты задачи, сохраненные как числовой вектор длины p, где p - количество предикторов в регрессионой модели SVM.

Значения в Beta являются линейными коэффициентами для основной задачи оптимизации.

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

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

Типы данных: single | double

Термин смещения в регрессионной модели SVM, сохраненный в виде скалярного значения.

Типы данных: single | double

Прямоугольные ограничения для двойственных альфа-коэффициентов задачи, сохраненные как числовой вектор, содержащий n элементы, где n количество наблюдений в X (Mdl.NumObservations).

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

Если вы задаете удаление дубликатов с помощью 'RemoveDuplicates'затем для заданного набора повторяющихся наблюдений MATLAB суммирует прямоугольные ограничения, а затем приписывает сумму одному наблюдению и прямоугольным ограничениям 0 ко всем остальным наблюдениям в наборе.

Типы данных: single | double

Информация о кэшировании, сохраненная как структура со следующими полями.

Типы данных: struct

Категориальные индексы предиктора, заданные как вектор положительных целых чисел. CategoricalPredictors содержит значения индекса, соответствующие столбцам данных предиктора, которые содержат категориальные предикторы. Если ни один из предикторов не является категориальным, то это свойство пустое ([]).

Типы данных: single | double

Информация о сходимости, сохраненная как структура со следующими полями.

Типы данных: struct

Половина ширины эпсилонно-нечувствительной полосы, сохраненная как неотрицательное скалярное значение.

Типы данных: single | double

Расширенные имена предикторов, сохраненные как массив ячеек из векторов символов.

Если модель использует кодировку для категориальных переменных, то ExpandedPredictorNames включает имена, которые описывают расширенные переменные. В противном случае ExpandedPredictorNames то же, что и PredictorNames.

Типы данных: cell

Значения градиента в обучающих данных, сохраненные как числовой вектор, содержащий 2 n элемента, где n количество наблюдений в обучающих данных.

Элементный i Gradient содержит значение градиента для Alpha коэффициент, который соответствует верхнему контуру эпсилонно-нечувствительной полосы при наблюдении i в конце оптимизации.

Элементный i + NumObservations Gradient содержит значение градиента для Alpha коэффициент, который соответствует нижнему контуру эпсилонно-нечувствительной полосы при наблюдении i в конце оптимизации.

Типы данных: single | double

Это свойство доступно только для чтения.

Оптимизация гиперпараметров перекрестной валидации, заданная как BayesianOptimization объект или таблица гиперпараметров и связанных значений. Это свойство непусто, если 'OptimizeHyperparameters' аргумент пары "имя-значение" не пуст при создании модели. Значение HyperparameterOptimizationResults зависит от настройки Optimizer поле в HyperparameterOptimizationOptions структура при создании модели.

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

Если вы задаете удаление дубликатов с помощью RemoveDuplicates, затем для заданного набора повторяющихся наблюдений, которые являются поддерживающими векторами, IsSupportVector флаги только один в качестве вектора- поддержка.

Типы данных: logical

Параметры функции ядра, сохраненные как структура со следующими полями.

Можно задать значения для KernelParameters.Function и KernelParameters.Scale при помощи KernelFunction и KernelScale аргументы пары "имя-значение" в fitrsvm, соответственно.

Типы данных: struct

Значения параметров, используемые для обучения регрессионой модели SVM, хранятся как объект параметра модели. Доступ к свойствам ModelParameters использование записи через точку. Для примера получите доступ к значению Epsilon используется для обучения модели следующим Mdl.ModelParameters.Epsilon.

Предиктор означает, сохраненный как вектор числовых значений.

Если предикторы стандартизированы, то Mu является числовым вектором длины p, где p - количество предикторов, используемых для обучения модели. В этом случае predict матрица предикторов центров методов X путем вычитания соответствующего элемента 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 0, поскольку фиктивные переменные не центрированы или не масштабированы.

Типы данных: single | double

Количество итераций, необходимых для достижения сходимости в стандартной программе оптимизации, сохраненных в виде положительного целого значения.

Чтобы установить предел на количество итераций, используйте 'IterationLimit' Аргумент пары "имя-значение" из fitrsvm.

Типы данных: single | double

Количество наблюдений в обучающих данных, сохраненных в виде положительного целого значения.

Типы данных: single | double

Имена предиктора, сохраненные как массив ячеек из векторов символов, содержащих имя каждого предиктора в том порядке, в котором они появляются X. PredictorNames имеет длину, равную количеству столбцов в X.

Типы данных: cell

Ожидаемая доля выбросов в набор обучающих данных, сохраненная в виде скалярного значения в область значений [0,1]. Можно задать ожидаемую долю выбросов с помощью 'OutlierFraction' аргумент пары "имя-значение" в fitrsvm.

Типы данных: double

Имя переменной отклика, сохраненное как вектор символов.

Типы данных: char

Функция преобразования отклика, заданная как 'none' или указатель на функцию. ResponseTransform описывает, как программное обеспечение преобразует значения необработанного отклика.

Для функции MATLAB или функции, которую вы задаете, введите указатель на функцию. Для примера можно ввести Mdl.ResponseTransform = @function, где function принимает числовой вектор исходных откликов и возвращает числовой вектор того же размера, содержащий преобразованные отклики.

Типы данных: char | function_handle

Количество итераций между сокращениями активного множества во время оптимизации, сохраненное в виде неотрицательного целого значения.

Период усадки можно задать при помощи 'ShrinkagePeriod' аргумент пары "имя-значение" в fitrsvm.

Типы данных: single | double

Стандартные отклонения предиктора, сохраненные как вектор числовых значений.

Если предикторы стандартизированы, то Sigma является числовым вектором длины p, где p - количество предикторов, используемых для обучения модели. В этом случае predict метод масштабирует матрицу предиктора X путем деления каждого столбца на соответствующий элемент Sigma, после центрирования каждого элемента с помощью 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 1, потому что фиктивные переменные не центрированы или не масштабированы.

Типы данных: single | double

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

Поддерживающие векторы, сохраненные как m -by - p матрица числовых значений. m - количество векторов поддержки (sum(Mdl.IsSupportVector)), и p количество предикторов в X.

Если вы задали, чтобы удалить дубликаты с помощью RemoveDuplicates, затем для заданного набора повторяющихся наблюдений, которые являются поддерживающими векторами, SupportVectors содержит один уникальный вектор поддержки.

Типы данных: single | double

Веса наблюдений, используемые для обучения модели, сохраняются как числовой вектор, содержащий NumObservation количество элементов. fitrsvm нормализует веса, используемые для обучения, так, чтобы их сумма равнялась 1.

Типы данных: single | double

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

Типы данных: single | double | table

Наблюдаемые значения отклика, сохраненные как числовой вектор, содержащий NumObservations количество элементов.

Типы данных: single | double