fitPosterior
为支持向量机分类器拟合后验概率
语法
描述
返回经过训练的支持向量机(SVM)分类器ScoreSVMModel
= fitPosterior (SVMModel
)ScoreSVMModel
包含两类学习的最优分数-后验概率转换函数。有关更多细节,请参见算法.
[
另外,返回最佳得分-后验概率转换函数参数。ScoreSVMModel
,ScoreTransform
) = fitPosterior (SVMModel
)
[
使用由一个或多个名称-值对参数指定的其他选项。例如,您可以指定折叠的数量或保持样本比例。ScoreSVMModel
,ScoreTransform
) = fitPosterior (SVMModel
,名称,值
)
例子
输入参数
输出参数
更多关于
提示
该过程描述了一种预测正类后验概率的方法。
通过传递数据来训练SVM分类器
fitcsvm
.结果是一个经过训练的SVM分类器,例如SVMModel
,用来存储数据。软件设置分数转换函数属性(SVMModel。ScoreTransformation
)没有一个
.传递经过训练的SVM分类器
SVMModel
来fitSVMPosterior
或fitPosterior
.结果,如:ScoreSVMModel
,为训练后的SVM分类器SVMModel
,除了软件设置ScoreSVMModel。ScoreTransformation
到最优分数的变换函数。传递预测器数据矩阵和经过训练的SVM分类器,其中包含最优分数转换函数(
ScoreSVMModel
)预测
.的第二个输出参数中的第二列预测
存储与预测器数据矩阵的每一行对应的正类后验概率。如果跳过第二步,那么
预测
返回正的类得分而不是正的类后验概率。
在拟合后验概率之后,可以生成预测新数据标签的C/ c++代码。生成C/ c++代码需要<年代pan class="entity">MATLAB<年代up>®编码器™.有关详细信息,请参见代码生成简介.
算法
该软件利用支持向量机分类器拟合合适的分数-后验概率转换函数SVMModel
通过使用存储的预测数据进行10次交叉验证(SVMModel。X
)和类标签(SVMModel。Y
),如[1].变换函数计算观察结果归为正类的后验概率(SVMModel.Classnames (2)
).
如果您重新估计得分-后验概率转换函数,也就是说,如果您将SVM分类器传递给fitPosterior
或fitSVMPosterior
和它的ScoreTransform
属性是不没有一个
,然后软件:
显示一个警告
将原始转换函数重置为
“没有”
在估计新的之前
选择功能
也可以用来拟合后验概率函数fitSVMPosterior
.这个函数类似于fitPosterior
,只是它更广泛,因为它接受更广泛的SVM分类器类型。
参考文献
[1] Platt, J. <支持向量机的概率输出和与正则化似然方法的比较>。大余量分类器的研究进展.剑桥,马萨诸塞州:麻省理工学院出版社,2000年,第61-74页。
扩展功能
版本历史
介绍了R2014a
另请参阅
ClassificationSVM
|<年代pan itemscope itemtype="//www.ru-cchi.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">预测
|<年代pan itemscope itemtype="//www.ru-cchi.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">fitSVMPosterior
|<年代pan itemscope itemtype="//www.ru-cchi.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">fitcsvm