Exponenta Banner

resubLoss

Класс: RegressionSVM

Потеря перезамены для модели регрессии машины опорных векторов

расширьте все на странице

Синтаксис

L = resubLoss(mdl)
L = resubLoss(mdl,'LossFun',lossFun)

Описание

L = resubLoss(mdl) возвращает потерю перезамены для модели mdl регрессии машины опорных векторов (SVM), использование обучающих данных сохранено в mdl.X и соответствующие значения отклика сохранены в mdl.Y.

L = resubLoss(mdl,'LossFun',lossFun) задает функцию потерь, чтобы использовать для расчета перезамены потерь.

Входные параметры

развернуть все

Полная, обученная модель регрессии SVM в виде RegressionSVM модель, возвращенная fitrsvm.

Функция потерь в виде 'mse', 'epsiloninsensitive', или указатель на функцию.

  • В следующей таблице перечислены доступные функции потерь. Задайте тот с помощью его соответствующего значения.

    ЗначениеФункция потерь
    'mse'Среднеквадратическая ошибка
    'epsiloninsensitive'Нечувствительная к эпсилону функция потерь

  • Задайте свою собственную функцию с помощью обозначения указателя на функцию.

    Предположим тот n = size(X,1) объем выборки. Ваша функция должна иметь подпись lossvalue = lossfun(Y,Yfit,W), где:

    • Выходной аргумент lossvalue числовое значение.

    • Вы выбираете имя функции (lossfun).

    • Y n-by-1 числовой вектор из наблюдаемых значений отклика.

    • Yfit n-by-1 числовой вектор из предсказанных значений отклика, вычисленное использование соответствующих значений предиктора в X (похожий на выход predict).

    • W n-by-1 числовой вектор из весов наблюдения.

    Задайте свое использование функции 'LossFun', @lossfun.

Пример: 'LossFun','epsiloninsensitive'

Типы данных: char | string | function_handle

Выходные аргументы

развернуть все

Потеря перезамены, возвращенная как скалярное значение.

Потеря перезамены является потерей, вычисленной между обучающими данными ответа и предсказанными значениями отклика модели на основе входных обучающих данных.

Потеря перезамены может быть чрезмерно оптимистической оценкой прогнозирующей ошибки на новых данных. Если потеря перезамены будет высока, предсказания модели вряд ли будут очень хороши. Однако наличие низкой потери перезамены не гарантирует хорошие предсказания для новых данных.

Чтобы лучше оценить прогнозирующую точность вашей модели, крест подтверждает модель с помощью crossval.

Примеры

развернуть все

В этом примере показано, как обучить модель регрессии SVM, затем вычислите потерю перезамены с помощью среднеквадратичной погрешности (MSE) и нечувствительной к эпсилону потери.

Этот пример использует данные о морском ушке из Репозитория Машинного обучения UCI. Загрузите данные и сохраните их в вашем текущем каталоге с именем 'abalone.data'.

Считайте данные в table.

tbl = readtable('abalone.data','Filetype','text','ReadVariableNames',false);
rng default  % for reproducibility

Выборочные данные содержат 4 177 наблюдений. Все переменные предикторы непрерывны за исключением sex, который является категориальной переменной с возможными значениями 'M' (для штекеров), 'F' (для розеток), и 'I' (для младенцев). Цель состоит в том, чтобы предсказать количество звонков на морском ушке, и таким образом определить его возраст, с помощью физических измерений.

Обучите модель регрессии SVM к данным, с помощью Гауссовой функции ядра с автоматической шкалой ядра. Стандартизируйте данные.

mdl = fitrsvm(tbl,'Var9','KernelFunction','gaussian','KernelScale','auto','Standardize',true);

Вычислите потерю перезамены с помощью среднеквадратичной погрешности (MSE).

mse_loss = resubLoss(mdl)
mse_loss =

    4.0603

Вычислите нечувствительную к эпсилону потерю.

eps_loss = resubLoss(mdl,'LossFun','epsiloninsensitive')
eps_loss =

    1.1027

Больше о

развернуть все

Ссылки

[1] Нэш, W.J., Т. Л. Селлерс, С. Р. Тэлбот, А. Дж. Которн и В. Б. Форд. "Биология Населения Морского ушка (разновидности Haliotis) на Тасмании. I. Морское ушко Blacklip (H. rubra) от Северного Побережья и Островов Пролива Басса". Морское Деление Рыболовства, Технический отчет № 48, 1994.

[2] Во, S. "Расширяя и Тестируя Каскадной Корреляции в сравнении с эталоном: Расширения Архитектуры Каскадной Корреляции и Сравнительное тестирование Feedforward Контролируемые Искусственные Нейронные сети". Университет тезиса Факультета информатики Тасмании, 1995.

[3] Кларк, D., З. Шретер, А. Адамс. "Количественное Сравнение Dystal и Backpropagation". представленный австралийской Конференции по Нейронным сетям, 1996.

[4] Личмен, M. Репозиторий Машинного обучения UCI, [http://archive.ics.uci.edu/ml]. Ирвин, CA: Калифорнийский университет, Школа Информатики и вычислительной техники.

Смотрите также

| | |

Введенный в R2015b

Документация Statistics and Machine Learning Toolbox

Поддержка