选择一个由具有不同正则化强度的线性二元学习者组成的训练过的ECOC模型子集。

加载NLP数据集。

负载nlpdata

X是稀疏矩阵的预测数据，和Y是类标签的分类向量。

创建一组11个对数间隔的正则化强度 $$10^{-8}$$通过 $$10^{-1}$$．

λ= logspace (8 1 11);

创建一个指定使用SpaRSA优化目标函数的线性分类模型模板。使用套索惩罚与强度指定λ．

t = templateLinear (“规划求解”，“sparsa”，“正规化”，“套索”，.．.“λ”λ);

保留30%的数据用于测试。识别测试样本指数。

rng (1);%的再现性本量利= cvpartition (Y,“坚持”, 0.30);idxTest =测试(cvp);

训练一个由线性分类模型组成的ECOC模型。为了加快执行时间，请调整预测器数据的方向，使各个观察结果对应于列。

X = X ';PMdl = fitcecoc (X, Y,“学习者”t“ObservationsIn”，“列”，“CVPartition”、本量利);Mdl = PMdl.Trained {1};元素个数(Mdl.BinaryLearners {1} .Lambda)

ans = 11

Mdl是一个CompactClassificationECOC模型对象。因为λ是正则化强度的11维向量，你们能想到吗Mdl作为11个训练模型，每个模型对应一个正则化强度。

估计每个正则化模型的测试样本误分类率。

ce =损失(Mdl X (:, idxTest), Y (idxTest),“ObservationsIn”，“列”）;

在对数尺度上绘制关于正则化强度的误分类率。

图绘制(log10(λ)log10 (ce),“o”) ylabel (“log_{10}误分类率的)包含(“log_{10}λ的) [~，minCEIdx] = min(ce);minLambda =λ(minCEIdx);持有在情节(log10 (minLambda) log10 (ce (minCEIdx)),“罗”）;持有从

数的值λ产生同样小的分类误差值。考虑选择更大的值λ(这仍然会产生良好的分类率)，因为它们导致预测变量的稀疏性。

选择四个正则化强度发生在分类错误开始增加的点附近的模型。

idx = 7:10;idx MdlFinal = selectModels (Mdl)

MdlFinal = CompactClassificationECOC ResponseName: 'Y' ClassNames: [comm dsp ecoder fixedpoint…CodingMatrix: [13x78 double]属性，方法

LambdaFinal = MdlFinal.BinaryLearners {1} .Lambda

LambdaFinal =1×40.0002 0.0008 0.0040 0.0200

MdlFinal是一个CompactClassificationECOC模型对象。你可以把它看作是四个训练模型使用的四种正则化优势LambdaFinal．