fitcsvm
Обучите классификатор машины опорных векторов (SVM) и бинарной классификации одного класса
Синтаксис
Описание
fitcsvm обучает или перекрестный подтверждает модель машины опорных векторов (SVM) для одного класса и 2D класса (двоичный файл) классификация на низко-размерном или умеренно-размерном наборе данных предиктора. fitcsvm поддержки, сопоставляющие данные о предикторе с помощью функций ядра, и последовательной минимальной оптимизации (SMO) поддержек, итеративного одного алгоритма данных (ISDA) или L 1 мягко-граничная минимизация через квадратичное программирование для минимизации целевой функции.
Чтобы обучить линейную модель SVM бинарной классификации на высоко-размерном наборе данных, то есть, набор данных, который включает много переменных предикторов, использует fitclinear вместо этого.
Для мультикласса, учащегося с объединенными бинарными моделями SVM, используйте выходные коды с коррекцией ошибок (ECOC). Для получения дополнительной информации смотрите fitcecoc.
Чтобы обучить модель регрессии SVM, смотрите fitrsvm для низко-размерных и умеренно-размерных наборов данных предиктора, или fitrlinear для высоко-размерных наборов данных.
Mdl = fitcsvm(Tbl,ResponseVarName)Mdl обученное использование выборочных данных содержится в таблице Tbl. ResponseVarName имя переменной в Tbl это содержит метки класса для классификации 2D классов или одного класса.
Если переменная метки класса содержит только один класс (например, вектор из единиц), fitcsvm обучает модель классификации одного класса. В противном случае функция обучает модель классификации 2D классов.
Mdl = fitcsvm(___,Name,Value)
Примеры
Обучите классификатор SVM
Загрузите ирисовый набор данных Фишера. Удалите длины чашелистика и ширины, и все наблюдали ирисовые диафрагмы setosa.
load fisheriris inds = ~strcmp(species,'setosa'); X = meas(inds,3:4); y = species(inds);
Обучите классификатор SVM с помощью обработанного набора данных.
SVMModel = fitcsvm(X,y)
SVMModel =
ClassificationSVM
ResponseName: 'Y'
CategoricalPredictors: []
ClassNames: {'versicolor' 'virginica'}
ScoreTransform: 'none'
NumObservations: 100
Alpha: [24x1 double]
Bias: -14.4149
KernelParameters: [1x1 struct]
BoxConstraints: [100x1 double]
ConvergenceInfo: [1x1 struct]
IsSupportVector: [100x1 logical]
Solver: 'SMO'
Properties, Methods
SVMModel обученный ClassificationSVM классификатор. Отобразите свойства SVMModel. Например, чтобы определить порядок класса, используйте запись через точку.
classOrder = SVMModel.ClassNames
classOrder = 2x1 cell
{'versicolor'}
{'virginica' }
Первый класс ('versicolor') отрицательный класс и второе ('virginica') положительный класс. Можно изменить порядок класса во время обучения при помощи 'ClassNames' аргумент пары "имя-значение".
Постройте точечную диаграмму данных и окружите векторы поддержки.
sv = SVMModel.SupportVectors; figure gscatter(X(:,1),X(:,2),y) hold on plot(sv(:,1),sv(:,2),'ko','MarkerSize',10) legend('versicolor','virginica','Support Vector') hold off
Векторы поддержки являются наблюдениями, которые происходят на или вне их предполагаемых контуров класса.
Можно настроить контуры (и, поэтому, количество векторов поддержки) путем установки ограничения поля во время обучения с помощью 'BoxConstraint' аргумент пары "имя-значение".
Обучите и перекрестный подтвердите классификатор SVM
Загрузите ionosphere набор данных.
load ionosphere rng(1); % For reproducibility
Обучите классификатор SVM с помощью радиального базисного ядра. Позвольте программному обеспечению найти значение шкалы для функции ядра. Стандартизируйте предикторы.
SVMModel = fitcsvm(X,Y,'Standardize',true,'KernelFunction','RBF',... 'KernelScale','auto');
SVMModel обученный ClassificationSVM классификатор.
Перекрестный подтвердите классификатор SVM. По умолчанию программное обеспечение использует 10-кратную перекрестную проверку.
CVSVMModel = crossval(SVMModel);
CVSVMModel ClassificationPartitionedModel перекрестный подтвержденный классификатор.
Оцените misclassification уровень из выборки.
classLoss = kfoldLoss(CVSVMModel)
classLoss = 0.0484
Уровень обобщения составляет приблизительно 5%.
Обнаружьте выбросы Используя SVM и изучение одного класса
Измените ирисовый набор данных Фишера путем присвоения всех ирисовых диафрагм тому же классу. Обнаружьте выбросы в модифицированном наборе данных и подтвердите ожидаемую пропорцию наблюдений, которые являются выбросами.
Загрузите ирисовый набор данных Фишера. Удалите лепестковые длины и ширины. Обработайте все ирисовые диафрагмы как прибывающий из того же класса.
load fisheriris
X = meas(:,1:2);
y = ones(size(X,1),1);Обучите классификатор SVM с помощью модифицированного набора данных. Примите, что 5% наблюдений являются выбросами. Стандартизируйте предикторы.
rng(1); SVMModel = fitcsvm(X,y,'KernelScale','auto','Standardize',true,... 'OutlierFraction',0.05);
SVMModel обученный ClassificationSVM классификатор. По умолчанию программное обеспечение использует Гауссово ядро для изучения одного класса.
Постройте наблюдения и контур решения. Отметьте векторы поддержки и потенциальные выбросы.
svInd = SVMModel.IsSupportVector; h = 0.02; % Mesh grid step size [X1,X2] = meshgrid(min(X(:,1)):h:max(X(:,1)),... min(X(:,2)):h:max(X(:,2))); [~,score] = predict(SVMModel,[X1(:),X2(:)]); scoreGrid = reshape(score,size(X1,1),size(X2,2)); figure plot(X(:,1),X(:,2),'k.') hold on plot(X(svInd,1),X(svInd,2),'ro','MarkerSize',10) contour(X1,X2,scoreGrid) colorbar; title('{\bf Iris Outlier Detection via One-Class SVM}') xlabel('Sepal Length (cm)') ylabel('Sepal Width (cm)') legend('Observation','Support Vector') hold off
Контур, разделяющий выбросы от остальной части данных, происходит, где значением контура является 0.
Проверьте, что часть наблюдений с отрицательными баллами в перекрестных подтвержденных данных близко к 5%.
CVSVMModel = crossval(SVMModel); [~,scorePred] = kfoldPredict(CVSVMModel); outlierRate = mean(scorePred<0)
outlierRate = 0.0467
Найдите несколько контуров класса Используя бинарный SVM
Создайте график рассеивания fisheriris набор данных. Обработайте координаты сетки в рамках графика как новые наблюдения от распределения набора данных и найдите контуры класса путем присвоения координат одному из этих трех классов в наборе данных.
Загрузите ирисовый набор данных Фишера. Используйте лепестковые длины и ширины как предикторы.
load fisheriris
X = meas(:,3:4);
Y = species;Исследуйте график рассеивания данных.
figure gscatter(X(:,1),X(:,2),Y); h = gca; lims = [h.XLim h.YLim]; % Extract the x and y axis limits title('{\bf Scatter Diagram of Iris Measurements}'); xlabel('Petal Length (cm)'); ylabel('Petal Width (cm)'); legend('Location','Northwest');
Данные содержат три класса, один из которых линейно отделим от других.
Для каждого класса:
Создайте логический вектор (
indx) указание, является ли наблюдение членом класса.Обучите классификатор SVM с помощью данных о предикторе и
indx.Сохраните классификатор в ячейке массива ячеек.
Задайте порядок класса.
SVMModels = cell(3,1); classes = unique(Y); rng(1); % For reproducibility for j = 1:numel(classes) indx = strcmp(Y,classes(j)); % Create binary classes for each classifier SVMModels{j} = fitcsvm(X,indx,'ClassNames',[false true],'Standardize',true,... 'KernelFunction','rbf','BoxConstraint',1); end
SVMModels массив ячеек 3 на 1, с каждой ячейкой, содержащей ClassificationSVM классификатор. Для каждой ячейки положительный класс является setosa, versicolor, и virginica, соответственно.
Задайте прекрасную сетку в рамках графика и обработайте координаты как новые наблюдения от распределения обучающих данных. Оцените счет новых наблюдений с помощью каждого классификатора.
d = 0.02; [x1Grid,x2Grid] = meshgrid(min(X(:,1)):d:max(X(:,1)),... min(X(:,2)):d:max(X(:,2))); xGrid = [x1Grid(:),x2Grid(:)]; N = size(xGrid,1); Scores = zeros(N,numel(classes)); for j = 1:numel(classes) [~,score] = predict(SVMModels{j},xGrid); Scores(:,j) = score(:,2); % Second column contains positive-class scores end
Каждая строка Scores содержит три оценки. Индекс элемента с самым большим счетом является индексом класса, которому, скорее всего, принадлежит новое наблюдение класса.
Сопоставьте каждое новое наблюдение с классификатором, который дает ему максимальный счет.
[~,maxScore] = max(Scores,[],2);
Раскрасьте области графика на основе класса, которому принадлежит соответствующее новое наблюдение.
figure h(1:3) = gscatter(xGrid(:,1),xGrid(:,2),maxScore,... [0.1 0.5 0.5; 0.5 0.1 0.5; 0.5 0.5 0.1]); hold on h(4:6) = gscatter(X(:,1),X(:,2),Y); title('{\bf Iris Classification Regions}'); xlabel('Petal Length (cm)'); ylabel('Petal Width (cm)'); legend(h,{'setosa region','versicolor region','virginica region',... 'observed setosa','observed versicolor','observed virginica'},... 'Location','Northwest'); axis tight hold off
Оптимизируйте классификатор SVM
Оптимизируйте гиперпараметры автоматически с помощью fitcsvm.
Загрузите ionosphere набор данных.
load ionosphereНайдите гиперпараметры, которые минимизируют пятикратную потерю перекрестной проверки при помощи автоматической гипероптимизации параметров управления. Для воспроизводимости установите случайный seed и используйте 'expected-improvement-plus' функция захвата.
rng default Mdl = fitcsvm(X,Y,'OptimizeHyperparameters','auto', ... 'HyperparameterOptimizationOptions',struct('AcquisitionFunctionName', ... 'expected-improvement-plus'))
|=====================================================================================================| | Iter | Eval | Objective | Objective | BestSoFar | BestSoFar | BoxConstraint| KernelScale | | | result | | runtime | (observed) | (estim.) | | | |=====================================================================================================| | 1 | Best | 0.21937 | 16.904 | 0.21937 | 0.21937 | 64.836 | 0.0015729 | | 2 | Accept | 0.35897 | 0.10928 | 0.21937 | 0.22807 | 0.036335 | 5.5755 | | 3 | Best | 0.13105 | 6.3261 | 0.13105 | 0.14149 | 0.0022147 | 0.0023957 | | 4 | Accept | 0.35897 | 0.14234 | 0.13105 | 0.13108 | 5.1259 | 98.62 | | 5 | Accept | 0.1339 | 12.955 | 0.13105 | 0.13111 | 0.0011147 | 0.0010089 | | 6 | Accept | 0.13105 | 0.64217 | 0.13105 | 0.13106 | 0.0010151 | 0.0045756 | | 7 | Best | 0.12821 | 8.5107 | 0.12821 | 0.1282 | 0.0010563 | 0.0022307 | | 8 | Accept | 0.1339 | 10.513 | 0.12821 | 0.13014 | 0.0010113 | 0.0026572 | | 9 | Accept | 0.12821 | 5.4561 | 0.12821 | 0.12978 | 0.0010934 | 0.0022461 | | 10 | Accept | 0.12821 | 3.3187 | 0.12821 | 0.12934 | 0.0010315 | 0.0023551 | | 11 | Accept | 0.13675 | 14.363 | 0.12821 | 0.12955 | 994.04 | 0.22432 | | 12 | Accept | 0.23647 | 15.596 | 0.12821 | 0.12778 | 959.35 | 0.059028 | | 13 | Accept | 0.13105 | 0.17802 | 0.12821 | 0.12784 | 0.0010239 | 0.012063 | | 14 | Best | 0.11681 | 0.1269 | 0.11681 | 0.11682 | 0.11417 | 0.26314 | | 15 | Accept | 0.13105 | 1.3045 | 0.11681 | 0.11683 | 11.334 | 0.42684 | | 16 | Accept | 0.1396 | 0.11806 | 0.11681 | 0.11684 | 0.0010029 | 0.13516 | | 17 | Accept | 0.16239 | 0.11987 | 0.11681 | 0.11689 | 0.0011338 | 0.34138 | | 18 | Accept | 0.13105 | 0.73683 | 0.11681 | 0.11758 | 2.2742 | 0.21644 | | 19 | Accept | 0.13675 | 12.716 | 0.11681 | 0.11772 | 970.79 | 0.61826 | | 20 | Accept | 0.11681 | 0.16586 | 0.11681 | 0.11711 | 0.047986 | 0.17883 | |=====================================================================================================| | Iter | Eval | Objective | Objective | BestSoFar | BestSoFar | BoxConstraint| KernelScale | | | result | | runtime | (observed) | (estim.) | | | |=====================================================================================================| | 21 | Accept | 0.12536 | 0.16071 | 0.11681 | 0.11681 | 0.0082154 | 0.050472 | | 22 | Accept | 0.11681 | 0.14003 | 0.11681 | 0.11659 | 0.063229 | 0.19633 | | 23 | Accept | 0.12251 | 0.14656 | 0.11681 | 0.11829 | 0.080255 | 0.21171 | | 24 | Accept | 0.12251 | 0.14696 | 0.11681 | 0.11842 | 0.031721 | 0.13295 | | 25 | Accept | 0.1339 | 0.1298 | 0.11681 | 0.11848 | 0.0010942 | 0.036194 | | 26 | Accept | 0.11966 | 0.14104 | 0.11681 | 0.11869 | 0.09066 | 0.22826 | | 27 | Accept | 0.35897 | 0.10847 | 0.11681 | 0.11869 | 0.0010392 | 997.93 | | 28 | Accept | 0.35897 | 0.10734 | 0.11681 | 0.11869 | 951.93 | 998.36 | | 29 | Accept | 0.12536 | 0.1822 | 0.11681 | 0.11862 | 995.77 | 13.309 | | 30 | Accept | 0.1339 | 0.41198 | 0.11681 | 0.11862 | 991.43 | 5.3999 |
__________________________________________________________
Optimization completed.
MaxObjectiveEvaluations of 30 reached.
Total function evaluations: 30
Total elapsed time: 131.519 seconds
Total objective function evaluation time: 111.9775
Best observed feasible point:
BoxConstraint KernelScale
_____________ ___________
0.11417 0.26314
Observed objective function value = 0.11681
Estimated objective function value = 0.11926
Function evaluation time = 0.1269
Best estimated feasible point (according to models):
BoxConstraint KernelScale
_____________ ___________
0.080255 0.21171
Estimated objective function value = 0.11862
Estimated function evaluation time = 0.15474
Mdl =
ClassificationSVM
ResponseName: 'Y'
CategoricalPredictors: []
ClassNames: {'b' 'g'}
ScoreTransform: 'none'
NumObservations: 351
HyperparameterOptimizationResults: [1x1 BayesianOptimization]
Alpha: [98x1 double]
Bias: -4.8344
KernelParameters: [1x1 struct]
BoxConstraints: [351x1 double]
ConvergenceInfo: [1x1 struct]
IsSupportVector: [351x1 logical]
Solver: 'SMO'
Properties, Methods
Входные параметры
Выходные аргументы
Ограничения
fitcsvmобучает классификаторы SVM одного класса или приложениям изучения 2D класса. Чтобы обучить классификаторы SVM с помощью данных больше чем с двумя классами, использоватьfitcecoc.fitcsvmподдерживает низко-размерные и умеренно-размерные наборы данных. Для высоко-размерных наборов данных использоватьfitclinearвместо этого.
Больше о
Советы
Если ваш набор данных не является большим, всегда пытайтесь стандартизировать предикторы (см.
Standardize). Стандартизация делает предикторы нечувствительными к шкалам, по которым они измеряются.Это - хорошая практика, чтобы перекрестный подтвердить использование
KFoldаргумент пары "имя-значение". Результаты перекрестной проверки определяют, как хорошо классификатор SVM делает вывод.Для изучения одного класса:
Настройка по умолчанию для аргумента пары "имя-значение"
Alphaможет привести к долгим учебным временам. Чтобы ускорить обучение, установитеAlphaк вектору, в основном состоявшему из0s.Установите аргумент пары "имя-значение"
Nuк значению ближе к0дать к меньшему количеству векторов поддержки и, поэтому, более сглаженный, но грубый контур решения.
Разреженность в векторах поддержки является желательным свойством классификатора SVM. Чтобы сократить число векторов поддержки, установите
BoxConstraintк большому значению. Это действие увеличивает учебное время.В течение оптимального учебного времени, набор
CacheSizeнастолько же высоко как предел памяти ваш компьютер позволяет.Если вы ожидаете много меньше векторов поддержки, чем наблюдения в наборе обучающих данных, то можно значительно ускорить сходимость путем уменьшения активного набора с помощью аргумента пары "имя-значение"
'ShrinkagePeriod'. Это - хорошая практика, чтобы задать'ShrinkagePeriod',1000.Дублирующиеся наблюдения, которые далеки от контура решения, не влияют на сходимость. Однако всего несколько дублирующихся наблюдений, которые происходят около контура решения, могут значительно замедлить сходимость. Чтобы ускорить сходимость, задайте
'RemoveDuplicates',trueесли:Ваш набор данных содержит много дублирующихся наблюдений.
Вы подозреваете, что несколько дублирующихся наблюдений падают около контура решения.
Обеспечить исходный набор данных во время обучения,
fitcsvmдолжен временно сохранить отдельные наборы данных: оригинал и один без дублирующихся наблюдений. Поэтому, если вы задаетеtrueдля наборов данных, содержащих немного копий, затемfitcsvmиспользует близко к дважды памяти об исходных данных.После обучения модель можно сгенерировать код C/C++, который предсказывает метки для новых данных. Генерация кода C/C++ требует MATLAB Coder™. Для получения дополнительной информации смотрите Введение в Генерацию кода.
Алгоритмы
Для математической формулировки бинарного алгоритма классификации SVM смотрите Машины опорных векторов для Бинарной Классификации и Понимания Машин опорных векторов.
NaN,<undefined>, пустой символьный вектор (''), пустая строка (""), и<missing>значения указывают на отсутствующие значения.fitcsvmудаляет целые строки данных, соответствующих недостающему ответу. При вычислении общих масс (см. следующие маркеры),fitcsvmигнорирует любой вес, соответствующий наблюдению по крайней мере с одним недостающим предиктором. Это действие может привести к несбалансированным априорным вероятностям в проблемах сбалансированного класса. Следовательно, ограничения поля наблюдения не могут равнятьсяBoxConstraint.fitcsvmудаляет наблюдения, которые имеют нулевой вес или априорную вероятность.Для изучения 2D класса, если вы задаете матрицу стоимости (см.
Cost), затем обновления программного обеспечения априорные вероятности класса p (см.Prior) к pc путем слияния штрафов, описанных в .А именно,
fitcsvmзавершает эти шаги:Вычислить
Нормируйте pc* так, чтобы обновленные априорные вероятности суммировали к 1.
K является количеством классов.
Сбросьте матрицу стоимости к значению по умолчанию
Удалите наблюдения из обучающих данных, соответствующих классам с нулевой априорной вероятностью.
Для изучения 2D класса,
fitcsvmнормирует все веса наблюдения (см.Weights) суммировать к 1. Функция затем повторно нормирует нормированные веса, чтобы суммировать до обновленной априорной вероятности класса, которому принадлежит наблюдение. Таким образом, общая масса для наблюдения j в классе kwj является нормированным весом для наблюдения j; p c, k является обновленной априорной вероятностью класса k (см. предыдущий маркер).
Для изучения 2D класса,
fitcsvmприсваивает ограничение поля каждому наблюдению в обучающих данных. Формула для ограничения поля наблюдения jn является размером обучающей выборки, C 0 является начальным ограничением поля (см.
'BoxConstraint'аргумент пары "имя-значение"), и общая масса наблюдения j (см. предыдущий маркер).Если вы устанавливаете
'Standardize',trueи'Cost','Prior', или'Weights'аргумент пары "имя-значение", затемfitcsvmстандартизирует предикторы с помощью их соответствующих взвешенных средних и взвешенных стандартных отклонений. Таким образом,fitcsvmстандартизирует предиктор j (xj) использованиеxjk является наблюдением k (строка) предиктора j (столбец).
Примите тот
pпропорция выбросов, которые вы ожидаете в обучающих данных, и что вы устанавливаете'OutlierFraction',p.Для изучения одного класса программное обеспечение обучает термин смещения, таким образом что 100
p% из наблюдений в обучающих данных имеют отрицательные баллы.Программное обеспечение реализует robust learning для изучения 2D класса. Другими словами, программное обеспечение пытается удалить 100
p% из наблюдений, когда алгоритм оптимизации сходится. Удаленные наблюдения соответствуют градиентам, которые являются большими в величине.
Если ваши данные о предикторе содержат категориальные переменные, то программное обеспечение обычно использует полное фиктивное кодирование для этих переменных. Программное обеспечение создает одну фиктивную переменную для каждого уровня каждой категориальной переменной.
PredictorNamesсвойство хранит один элемент для каждого из исходных имен переменного предиктора. Например, примите, что существует три предиктора, один из которых является категориальной переменной с тремя уровнями. ЗатемPredictorNames1 3 массив ячеек из символьных векторов, содержащий настоящие имена переменных предикторов.ExpandedPredictorNamesсвойство хранит один элемент для каждого из переменных предикторов, включая фиктивные переменные. Например, примите, что существует три предиктора, один из которых является категориальной переменной с тремя уровнями. ЗатемExpandedPredictorNamesмассив ячеек из символьных векторов 1 на 5, содержащий имена переменных предикторов и новых фиктивных переменных.Точно так же
Betaсвойство хранит один бета коэффициент для каждого предиктора, включая фиктивные переменные.SupportVectorsсвойство хранит значения предиктора для векторов поддержки, включая фиктивные переменные. Например, примите, что существуют векторы поддержки m и три предиктора, один из которых является категориальной переменной с тремя уровнями. ЗатемSupportVectorsn-by-5 матрица.Xсвойство хранит обучающие данные, как первоначально введено и не включает фиктивные переменные. Когда вход является таблицей,Xсодержит только столбцы, используемые в качестве предикторов.
Для предикторов, заданных в таблице, если какая-либо из переменных содержит упорядоченные (порядковые) категории, программное обеспечение использует порядковое кодирование для этих переменных.
Поскольку переменная с k заказала уровни, программное обеспечение создает k – 1 фиктивная переменная. j th фиктивная переменная –1 для уровней до j, и +1 для уровней j + 1 через k.
Имена фиктивных переменных сохранены в
ExpandedPredictorNamesсвойство указывает на первый уровень со значением +1. Программное обеспечение хранит k – 1 дополнительное имя предиктора для фиктивных переменных, включая имена уровней 2, 3..., k.
Все решатели реализуют L 1 мягко-граничная минимизация.
Для изучения одного класса программное обеспечение оценивает множители Лагранжа, α 1..., αn, такой что
Ссылки
[1] Christianini, N. и Дж. К. Шейв-Тейлор. Введение в машины опорных векторов и другое основанное на ядре изучение методов. Кембридж, Великобритания: Издательство Кембриджского университета, 2000.
[2] Вентилятор, R.-E., P.-H. Чен и C.-J. Лин. “Выбор рабочего набора с помощью информации о втором порядке для учебных машин опорных векторов”. Журнал Исследования Машинного обучения, Издания 6, 2005, стр 1889–1918.
[3] Hastie, T., Р. Тибширэни и Дж. Фридман. Элементы статистического изучения, второго выпуска. Нью-Йорк: Спрингер, 2008.
[4] Кекмен V, T.-M. Хуан и М. Вогт. “Итеративный Один Алгоритм Данных для Учебных Машин Ядра от Огромных Наборов данных: Теория и Эффективность”. Машины опорных векторов: Теория и Приложения. Отредактированный Липо Ваном, 255–274. Берлин: Springer-Verlag, 2005.
[5] Scholkopf, B., Дж. К. Платт, Дж. К. Шейв-Тейлор, А. Дж. Смола и Р. К. Уильямсон. “Оценивая Поддержку Высоко-размерного Распределения”. Нейронный Comput., Издание 13, Номер 7, 2001, стр 1443–1471.
[6] Scholkopf, B. и A. Смола. Изучение с ядрами: машины опорных векторов, регуляризация, оптимизация и вне, адаптивный расчет и машинное обучение. Кембридж, MA: нажатие MIT, 2002.
Расширенные возможности
Смотрите также
ClassificationSVM | CompactClassificationSVM | ClassificationPartitionedModel | predict | fitSVMPosterior | rng | quadprog (Optimization Toolbox) | fitcecoc | fitclinear | IsolationForest
Темы
- Обучите классификаторы SVM Используя гауссово ядро
- Обучите классификатор SVM Используя пользовательское ядро
- Оптимизируйте перекрестный Подтвержденный Классификатор Используя bayesopt
- Оптимизируйте подгонку классификатора Используя байесовую оптимизацию
- Понимание машин опорных векторов
- Безнадзорное обнаружение аномалии