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 классификации SVM (ClassificationSVM
или CompactClassificationSVM
) для одного класса и 2D класса (двоичный файл) классификация.
Импортируйте обученный объект классификации SVM в блок путем определения имени переменной рабочей области, которая содержит 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
| half
| 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
| half
| 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
| half
| int8
| int16
| int32
| int64
| uint8
| uint16
| uint32
| uint64
| Boolean
| 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 значения имени. Чтобы включать категориальные предикторы в модель, предварительно обработайте категориальные предикторы при помощи dummyvar
прежде, чем подбирать модель.
Значение 'ScoreTransform'
аргументом значения имени 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 значения имени должен быть 'gaussian'
(то же самое как 'rbf'
, значение по умолчанию для изучения одного класса), 'linear'
(значение по умолчанию для 2D класса, учащегося), 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 MATLAB® функция округления 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 метки выводитсяInherit: 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>
Задайте тип данных для label выход. Тип может быть наследован в виде перечислимого типа данных 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
(значение по умолчанию для числовых и логических меток) — 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: auto
(значение по умолчанию для нечисловых меток) — блок использует автозаданную перечислимую переменную типа данных. Например, предположите имя переменной рабочей области, заданное Select trained machine learning model
myMdl
, и метками класса является class 1
и class 2
. Затем соответствующими значениями label является myMdl_enumLabels.class_1
и myMdl_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 Управления Сигналов (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).
Поддерживаемые типы данных зависят от меток, используемых в модели, заданной Select trained machine learning model
.
Если модель использует числовые или логические метки, поддерживаемыми типами данных является Inherit: Inherit via back propagation
(значение по умолчанию), double
единственный
, half
int8
uint8
int16
uint16
int32
uint32
int64
uint64
, boolean
, фиксированная точка и объект типа данных.
Если модель использует нечисловые метки, поддерживаемыми типами данных является Inherit: auto
(значение по умолчанию), Enum: <class name>
, и объект типа данных.
Параметры блоков: LabelDataTypeStr |
Ввод: символьный вектор |
Значения: '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>' |
Значение по умолчанию: 'Inherit: Inherit via back propagation' (для числовых и логических меток) | 'Inherit: auto' (для нечисловых меток) |
Label minimum
— Минимальное значение метки выводится для проверки диапазона[]
(значение по умолчанию) | скалярНижнее значение label область значений выхода, что Simulink® проверки.
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.
Можно задать этот параметр только если модель, заданная Select trained machine learning model
использует числовые метки.
Параметры блоков: LabelOutMin |
Ввод: символьный вектор |
Значения: '[]' | скаляр |
Значение по умолчанию: '[]' |
Label maximum
— Максимальное значение метки выводится 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.
Можно задать этот параметр только если модель, заданная Select trained machine learning model
использует числовые метки.
Параметры блоков: LabelOutMax |
Ввод: символьный вектор |
Значения: '[]' | скаляр |
Значение по умолчанию: '[]' |
Score data type
— Тип данных счета выводитсяInherit: auto
(значение 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>
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 Управления Сигналов (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' | '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>' |
Значение по умолчанию: 'Inherit: auto' |
Score minimum
— Минимальное значение счета выводится 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 счета выводится 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 счетаInherit: auto
(значение 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>
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 Управления Сигналов (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).
Можно задать этот параметр только если модель, заданная Select trained machine learning model
использует преобразование счета кроме 'none'
(значение по умолчанию, то же самое как 'identity'
).
Если модель не использует преобразований счета ('none'
или 'identity'
), затем можно задать тип данных счета при помощи Score data type
.
Если модель использует преобразование счета кроме 'none'
или 'identity'
, затем можно задать тип данных непреобразованных необработанных баллов при помощи этого параметра и задать тип данных преобразованных баллов при помощи Score data type
.
Можно изменить опцию преобразования счета путем определения 'ScoreTransform'
аргумент значения имени во время обучения, или путем изменения ScoreTransform
свойство после обучения.
Параметры блоков: RawScoreDataTypeStr |
Ввод: символьный вектор |
Значения: '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)' | '<data type expression>' |
Значение по умолчанию: 'Inherit: auto' |
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) | 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>
Задайте тип данных параметра для расчета ядра. Тип может быть задан непосредственно или описан как объект типа данных, такой как Simulink.NumericType
.
Параметр Kernel data type задает тип данных различного параметра в зависимости от типа функции ядра заданной модели SVM. Вы задаете 'KernelFunction'
аргумент значения имени, 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. |
Для получения дополнительной информации о типах данных, смотрите Типы данных Управления Сигналов (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: 'double' | 'single' | 'half' | 'int8' | 'uint8' | 'int16' | 'uint16' | 'int32' | 'uint32' | 'uint64' | 'int64' | 'boolean' | '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: '[]' |
Типы данных |
|
Прямое сквозное соединение |
|
Многомерные сигналы |
|
Сигналы переменного размера |
|
Обнаружение пересечения нулем |
|
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
или CompactClassificationSVM
объект при помощи discardSupportVectors
.
Можно использовать блок MATLAB function с predict
объектная функция объекта классификации SVM (ClassificationSVM
или CompactClassificationSVM
). 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.
Inherit: Inherit via back propagation
для числовых и логических меток и Inherit: auto
для нечисловых метокПоведение изменяется в R2021a
Начиная в R2021a, значение типа данных по умолчанию и поддерживаемые типы данных параметра Label data type зависят от меток, используемых в модели, заданной Select trained machine learning model
. Значением по умолчанию является Inherit: Inherit via back propagation
для числовых и логических меток и Inherit: auto
для нечисловых меток.
Если вы задали Label data type как Inherit: Inherit via back propagation
для нечисловых меток или Inherit: Inherit from 'Constant value'
, затем измените значение в Inherit: auto
.
Inherit: auto
Поведение изменяется в R2021a
Начиная в R2021a, значении по умолчанию параметров Score data type и Raw score data type является Inherit: auto
.
Поведение изменяется в R2021a
Начиная в R2021a, параметр Kernel data type не поддерживает наследованные опции. Можно задать Kernel data type как поддерживаемый объект имени типа данных или типа данных.
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.