پیش بینی

برچسب = پیش بینی (MDL ، X) یک بردار از برچسب های کلاس پیش بینی شده (برچسب) برای داده های پیش بینی کننده در جدول یا ماتریس X ، بر اساس کدهای خروجی اصلاح کننده خطای چند قلو آموزش داده شده (ECOC) MDL را برمی گرداند. مدل ECOC آموزش دیده می تواند کامل یا جمع و جور باشد.

label = پیش بینی (MDL ، X ، نام ، مقدار) از گزینه های اضافی که توسط یک یا چند آرگومان جفت ارزش نام مشخص شده است استفاده می کند. به عنوان مثال ، می توانید روش تخمین احتمال خلفی ، طرح رمزگشایی و سطح کلامی را مشخص کنید.

[برچسب ، spretoss ، pbscore] = پیش بینی (___) از هر یک از ترکیبات آرگومان ورودی در نحوهای قبلی استفاده می کند و علاوه بر این برمی گردد:

مجموعه ای از ضررهای باینری متوسط نفی شده (spectoss). برای هر مشاهده در X ، پیش بینی برچسب کلاس را نشان می دهد که بیشترین ضرر باینری متوسط نفی شده (یا به طور معادل ، کوچکترین ضرر باینری) را نشان می دهد.

مجموعه ای از نمرات کلاس مثبت (PBSCORE) برای مشاهدات طبقه بندی شده توسط هر یادگیرنده باینری.

[برچسب ، spretoss ، pbscore ، خلفی] = پیش بینی (___) علاوه بر این برآورد احتمال کلاس خلفی را برای مشاهدات (خلفی) برمی گرداند.

برای به دست آوردن احتمالات کلاس خلفی ، باید هنگام آموزش مدل ECOC با استفاده از FITCECOC ، "FitPositior" را تنظیم کنید. در غیر این صورت ، پیش بینی خطایی را انجام می دهد.

مثال ها

پیش بینی برچسب های نمونه آزمایش داده های آموزش با استفاده از مدل ECOC

مجموعه داده های عنبیه فیشر را بارگیری کنید. داده های پیش بینی کننده x ، داده های پاسخ y و ترتیب کلاس ها را در y مشخص کنید.

با استفاده از طبقه بندی کننده های باینری SVM ، یک مدل ECOC را آموزش دهید. یک نمونه نگهدارنده 30 ٪ را مشخص کنید ، پیش بینی کننده ها را با استفاده از یک الگوی SVM استاندارد کنید و ترتیب کلاس را مشخص کنید.

PMDL یک مدل طبقه بندی partitionedecoc است. این ویژگی دارای ویژگی آموزش دیده است ، یک آرایه سلول 1 به 1 که حاوی مدل CompactClassificationEcoc است که نرم افزار با استفاده از مجموعه آموزش آموزش داده است.

برچسب های نمونه آزمایش را پیش بینی کنید. یک زیر مجموعه تصادفی از برچسب های واقعی و پیش بینی شده را چاپ کنید.

MDL به طور صحیح همه را به جز یکی از مشاهدات نمونه آزمایش با شاخص های IDX نشان می دهد.

پیش بینی برچسب های نمونه آزمایش مدل ECOC با استفاده از عملکرد باینری سفارشی

مجموعه داده های عنبیه فیشر را بارگیری کنید. داده های پیش بینی کننده x ، داده های پاسخ y و ترتیب کلاس ها را در y مشخص کنید.

یک مدل ECOC را با استفاده از طبقه بندی کننده های باینری SVM آموزش دهید و یک نمونه نگهدارنده 30 ٪ را مشخص کنید. پیش بینی ها را با استفاده از یک الگوی SVM استاندارد کنید و ترتیب کلاس را مشخص کنید.

PMDL یک مدل طبقه بندی partitionedecoc است. این ویژگی دارای ویژگی آموزش دیده است ، یک آرایه سلول 1 به 1 که حاوی مدل CompactClassificationEcoc است که نرم افزار با استفاده از مجموعه آموزش آموزش داده است.

امتیازات SVM فواصل علامت گذاری شده از مشاهده تا مرز تصمیم است. بنابراین، ( - ∞ , ∞ ) دامنه است. یک تابع از دست دادن باینری سفارشی ایجاد کنید که کارهای زیر را انجام می دهد:

ماتریس طراحی کدگذاری (M) و نمرات طبقه بندی کلاس مثبت (های) برای هر یادگیرنده را به از دست دادن باینری برای هر مشاهده ترسیم کنید.

از تلفات خطی استفاده کنید.

با استفاده از میانه، تلفات یادگیرنده باینری را جمع آوری کنید.

می توانید یک تابع مجزا برای تابع از دست دادن باینری ایجاد کنید و سپس آن را در مسیر MATLAB® ذخیره کنید. یا، می توانید یک تابع از دست دادن باینری ناشناس را مشخص کنید. در این مورد، یک تابع دسته (customBL) برای یک تابع از دست دادن باینری ناشناس ایجاد کنید.

برچسب‌های نمونه آزمایشی را پیش‌بینی کنید و میانگین تلفات دودویی در هر کلاس را تخمین بزنید. میانه تلفات دودویی منفی در هر کلاس را برای یک مجموعه تصادفی از 10 مشاهدات نمونه آزمایشی چاپ کنید.

ترتیب ستون ها با عناصر classOrder مطابقت دارد. نرم افزار برچسب را بر اساس حداکثر ضرر منفی پیش بینی می کند. نتایج نشان می دهد که میانه تلفات خطی ممکن است به خوبی سایر ضررها عمل نکند.

تخمین احتمالات پسین با استفاده از طبقه بندی کننده ECOC

یک طبقه بندی کننده ECOC با استفاده از یادگیرنده های باینری SVM آموزش دهید. ابتدا برچسب های نمونه آموزشی و احتمالات پسین کلاس را پیش بینی کنید. سپس حداکثر احتمال پسین کلاس را در هر نقطه از یک شبکه پیش بینی کنید. نتایج را تجسم کنید.

مجموعه داده عنبیه فیشر را بارگیری کنید. ابعاد گلبرگ را به عنوان پیش بینی کننده و نام گونه ها را به عنوان پاسخ مشخص کنید.

یک قالب SVM ایجاد کنید. پیش بینی کننده ها را استاندارد کنید و هسته گاوسی را مشخص کنید.

t یک قالب SVM است. بسیاری از خواص آن خالی است. هنگامی که نرم افزار طبقه بندی کننده ECOC را آموزش می دهد، ویژگی های قابل اعمال را روی مقادیر پیش فرض آنها تنظیم می کند.

طبقه بندی کننده ECOC را با استفاده از الگوی SVM آموزش دهید. با استفاده از آرگومان جفت نام-مقدار "FitPosterior" امتیازات طبقه بندی را به احتمالات پسین کلاس (که با پیش بینی یا resubPredict برگردانده می شوند) تبدیل کنید. ترتیب کلاس را با استفاده از آرگومان جفت نام-مقدار 'ClassNames' مشخص کنید. با استفاده از آرگومان جفت نام و ارزش «Verbose» پیام‌های تشخیصی را در طول آموزش نمایش دهید.

Mdl یک مدل ClassificationECOC است. همان الگوی SVM برای هر یادگیرنده باینری اعمال می‌شود، اما می‌توانید گزینه‌ها را برای هر یادگیرنده باینری با عبور دادن بردار سلولی از الگوها تنظیم کنید.

برچسب های نمونه آموزش و احتمالات خلفی کلاس را پیش بینی کنید. نمایش پیام های تشخیصی در هنگام محاسبه برچسب ها و احتمالات خلفی کلاس با استفاده از آرگومان جفت ارزش نام "Verbose".

این نرم افزار مشاهده ای را به کلاس اختصاص می دهد که کمترین از دست دادن باینری را به همراه دارد. از آنجا که همه زبان آموزان باینری احتمالات خلفی را محاسبه می کنند ، عملکرد از دست دادن باینری درجه دوم است.

مجموعه ای از نتایج تصادفی را نمایش دهید.

ستون های خلفی با ترتیب کلاس mdl. classnames مطابقت دارند.

یک شبکه از مقادیر را در فضای پیش بینی کننده مشاهده شده تعریف کنید. احتمالات خلفی را برای هر نمونه در شبکه پیش بینی کنید.

برای هر مختصات در شبکه ، حداکثر احتمال خلفی کلاس را در بین همه کلاس ها ترسیم کنید.

برآورد احتمالات خلفی نمونه آزمایش با استفاده از محاسبات موازی

در این مثال استفاده می شود:

یک مدل ECOC چند طبقه را آموزش دهید و با استفاده از محاسبات موازی ، احتمالات خلفی را تخمین بزنید.

مجموعه داده های آریتمی را بارگیری کنید. داده های پاسخ y را بررسی کنید و تعداد کلاس ها را تعیین کنید.

چندین کلاس در داده ها نشان داده نشده است و بسیاری از کلاس های دیگر فرکانس های نسبی کم دارند.

یک الگوی یادگیری گروه را مشخص کنید که از روش GentleBoost و 50 زبان آموزان طبقه بندی ضعیف استفاده می کند.

t یک شیء الگوی است. بیشتر خصوصیات آن خالی است ([]). این نرم افزار از مقادیر پیش فرض برای همه خصوصیات خالی در طول آموزش استفاده می کند.

از آنجا که متغیر پاسخ شامل کلاسهای زیادی است ، یک طرح کدگذاری تصادفی پراکنده را مشخص کنید.

با استفاده از محاسبات موازی ، یک مدل ECOC را آموزش دهید. یک نمونه نگهدارنده 15 ٪ را مشخص کنید و احتمالات خلفی را متناسب کنید.

PMDL یک مدل طبقه بندی partitionedecoc است. این ویژگی دارای ویژگی آموزش دیده است ، یک آرایه سلول 1 به 1 که حاوی مدل CompactClassificationEcoc است که نرم افزار با استفاده از مجموعه آموزش آموزش داده است.

استخر از شش کارگر فراخوانی می کند ، اگرچه ممکن است تعداد کارگران در بین سیستم ها متفاوت باشد.

با توجه به داده های مربوط به مجموعه تصادفی از مشاهدات نمونه آزمایش ، احتمال خلفی را برآورد کرده و احتمال خلفی طبقه بندی شدن به عنوان عدم آریتمی (کلاس 1) را نشان می دهد.

استدلال های ورودی

MDL - طبقه بندی مدل ECOC کامل یا فشرده طبقه بندی مدل مدل مدل |شیء مدل CompactClassificationEcoc

مدل ECOC چند طبقه کامل یا جمع و جور ، به عنوان یک طبقه بندی طبقه بندی یا شیء مدل CompactClassificationEcoc مشخص شده است.

برای ایجاد یک مدل ECOC کامل یا جمع و جور ، به ClassificationEcoc یا CompactClassificationEcoc مراجعه کنید.

X - داده های پیش بینی کننده برای طبقه بندی ماتریس عددی |جدول

داده‌های پیش‌بینی‌کننده که باید طبقه‌بندی شوند، به عنوان یک ماتریس یا جدول عددی مشخص می‌شوند.

به طور پیش فرض، هر ردیف از X مربوط به یک مشاهده و هر ستون مربوط به یک متغیر است.

برای یک ماتریس عددی:

متغیرهایی که ستون های X را تشکیل می دهند باید ترتیبی مشابه متغیرهای پیش بینی کننده ای داشته باشند که Mdl را آموزش می دهند.

اگر Mdl را با استفاده از یک جدول (مثلا Tbl ) آموزش می دهید، اگر Tbl شامل همه متغیرهای پیش بینی عددی باشد، X می تواند یک ماتریس عددی باشد. برای تلقی کردن پیش‌بینی‌کننده‌های عددی در Tbl به‌عنوان مقوله‌ای در طول آموزش، پیش‌بینی‌کننده‌های دسته‌بندی را با استفاده از آرگومان جفت نام-مقدار CategoricalPredictors در fitcecoc شناسایی کنید. اگر Tbl حاوی متغیرهای پیش‌بینی ناهمگن (مثلاً انواع داده‌های عددی و طبقه‌ای) باشد و X یک ماتریس عددی باشد، پیش‌بینی خطا می‌کند.

پیش بینی از متغیرهای چند ستونی یا آرایه های سلولی به جز آرایه های سلولی بردارهای کاراکتر پشتیبانی نمی کند.

اگر Mdl را با استفاده از یک جدول (به عنوان مثال، Tbl ) آموزش می دهید، پس همه متغیرهای پیش بینی کننده در X باید دارای نام متغیرها و انواع داده های مشابه متغیرهای پیش بینی کننده ای باشند که Mdl را آموزش می دهند (ذخیره شده در Mdl. PredictorNames). با این حال، ترتیب ستون X نیازی به مطابقت با ترتیب ستون Tbl ندارد. هر دو Tbl و X می توانند شامل متغیرهای اضافی (متغیرهای پاسخ، وزن مشاهده و غیره) باشند، اما پیش بینی آنها را نادیده می گیرد.

اگر Mdl را با استفاده از یک ماتریس عددی آموزش می‌دهید، نام‌های پیش‌بینی‌کننده در Mdl. PredictorNames و نام متغیرهای پیش‌بینی‌کننده مربوطه در X باید یکسان باشند. برای تعیین نام‌های پیش‌بینی‌کننده در طول آموزش، به آرگومان جفت نام-مقدار PredictorNames در fitcecoc مراجعه کنید. همه متغیرهای پیش بینی در X باید بردارهای عددی باشند. X می تواند شامل متغیرهای اضافی (متغیرهای پاسخ، وزن مشاهده و غیره) باشد، اما پیش بینی آنها را نادیده می گیرد.

توجه داشته باشید

اگر Mdl. BinaryLearners شامل مدل‌های طبقه‌بندی خطی (ClassificationLinear) باشد، می‌توانید ماتریس پیش‌بینی‌کننده خود را طوری جهت دهید که مشاهدات با ستون‌ها مطابقت داشته باشند و 'ObservationsIn'، 'Columns' را مشخص کنید. با این حال، نمی‌توانید 'ObservationsIn'، 'Columns' را برای داده‌های پیش‌بینی‌کننده در جدول مشخص کنید.

هنگام آموزش Mdl، فرض کنید که «Standardize» را برای یک شئ الگو مشخص شده در آرگومان جفت نام-مقدار «Learners» در fitcecoc تنظیم کنید. در این مورد، برای یادگیرنده باینری مربوطه j، نرم افزار ستون های داده های پیش بینی کننده جدید را با استفاده از میانگین های مربوطه در Mdl. BinaryLearner. Mu و انحرافات استاندارد در Mdl. BinaryLearner. Sigma استاندارد می کند.

انواع داده ها: جدول |دوبل |تنها

آرگومان های نام و ارزش

جفت آرگومان های اختیاری را به عنوان Name1 = Value1 مشخص کنید. namen = valuen ، که در آن نام نام و مقدار آرگومان است مقدار مربوطه است. آرگومان های ارزش نام باید پس از سایر استدلال ها ظاهر شوند ، اما ترتیب جفت ها اهمیتی ندارند.

قبل از R2021A ، از کاما برای جدا کردن هر نام و مقدار استفاده کنید و نام را در نقل قول ها محصور کنید.

مثال: پیش بینی (MDL ، X ، "BinaryLoss" ، "درجه دوم" ، "رمزگشایی" ، "Lossbased") یک عملکرد از دست دادن یادگیرنده باینری درجه دوم و یک طرح رمزگشایی مبتنی بر ضرر را برای جمع کردن تلفات باینری مشخص می کند.

BinaryLoss - عملکرد از دست دادن یادگیرنده باینری 'Hamming' |"خطی" |'logit' |"نمایی" |'binodeviance' |'HINGE' |"درجه دوم" |دسته تابع

عملکرد از دست دادن یادگیرنده باینری ، به عنوان جفت جدا از کاما متشکل از "باینری" و یک نام عملکرد یا عملکرد عملکرد از دست دادن داخلی مشخص شده است.

این جدول توابع داخلی را توصیف می کند ، جایی که y_jآیا برچسب کلاس برای یک یادگیرنده باینری خاص (در مجموعه) ، s است_jنمره مشاهده j و g است (y_j , s_j) فرمول از دست دادن باینری است.

ارزش	شرح	حوزه نمره	g (yj , sj )
'binodeviance'	انحراف دوتایی	(–∞,∞)	ورود به سیستم [1 + exp (-2 yjsj)]/[2Log (2)]
"نمایی"	نمایشی	(–∞,∞)	exp ( - yjsj )/2
"چکش"	چکش زدن	[0،1] یا (–∞ ، ∞)	[1 - علامت (yjsj )]/2
'لولا'	لولا	(–∞,∞)	حداکثر (0،1 - yjsj )/2
"خطی"	خطی	(–∞,∞)	(1 - yjsj )/2
'لوجیت'	وابسته به لجستیک	(–∞,∞)	ورود به سیستم [1 + exp ( - yjsj)]/[2Log (2)]
"درجه دوم"	درجه دوم	[0،1]	[1 - yj(2 ثانیهj- 1)] 2/2

این نرم افزار ضررهای باینری را عادی می کند به طوری که ضرر 0. 5 هنگام Y باشد_j= 0. همچنین ، نرم افزار میانگین از دست دادن دودویی را برای هر کلاس محاسبه می کند.

برای یک تابع از دست دادن باینری سفارشی ، به عنوان مثال CustomFunction ، دسته عملکرد آن "binaryloss" ،@customfunction را مشخص کنید.

عملکرد سفارشی این فرم را دارد:

M ماتریس کد نویسی K-b y-b است که در mdl. codingmatrix ذخیره شده است.

S بردار ردیف 1 به B نمرات طبقه بندی است.

Bloss از دست دادن طبقه بندی است. این مقیاس ضررهای باینری را برای هر یادگیرنده در یک کلاس خاص جمع می کند. به عنوان مثال ، شما می توانید از میانگین ضرر دودویی برای جمع آوری ضرر نسبت به زبان آموزان برای هر کلاس استفاده کنید.

k تعداد کلاس ها است.

B تعداد زبان آموزان باینری است.

مقدار پیش فرض دودویی بستگی به دامنه های برگشتی توسط زبان آموزان باینری دارد. این جدول مشخص می کند که برخی از مقادیر باینری پیش فرض هنگام استفاده از تبدیل نمره پیش فرض (خاصیت امتیاز سنج مدل "هیچ یک نیست).

همه زبان آموزان باینری هر یک از موارد زیر هستند:

درختان تصمیم طبقه بندی

مدل های تجزیه و تحلیل تبعیض آمیز

k-nearest مدل های همسایه

مدل های طبقه بندی خطی یا هسته از زبان آموزان رگرسیون لجستیک

مدل های ساده لوح

برای بررسی مقدار پیش فرض ، از نماد نقطه برای نمایش ویژگی باینری مدل آموزش یافته در خط فرمان استفاده کنید.

مثال: "BinaryLoss" ، "binodeviance"

انواع داده ها: char |رشته |تابع

رمزگشایی - طرح رمزگشایی "از دست دادن" (پیش فرض) |"Lossbased"

طرح رمزگشایی که ضررهای باینری را جمع می کند ، به عنوان جفت جدا از کاما متشکل از "رمزگشایی" و "از دست دادن" یا "از دست دادن" مشخص می شود. برای اطلاعات بیشتر ، به ضرر باینری مراجعه کنید.

مثال: "رمزگشایی" ، "از دست دادن"

numklinitializations - تعداد مقادیر اولیه تصادفی 0 (پیش فرض) |مقیاس عدد صحیح غیر منفی

تعداد مقادیر اولیه تصادفی برای تعبیه احتمالات خلفی توسط به حداقل رساندن واگرایی Kullback-Leibler ، به عنوان جفت جدا از کاما متشکل از "numklinitializations" و یک مقیاس صحیح غیر منفی مشخص شده است.

اگر درخواست آرگومان چهارم (خلفی) را درخواست نکنید و "posteriormethod" ، "kl" (پیش فرض) را تنظیم کنید ، پس این نرم افزار مقدار numklinitializations را نادیده می گیرد.

مثال: "numklinitializations" ، 5

انواع داده ها: مجرد |دو برابر

مشاهدات - ردیف مشاهده داده های پیش بینی کننده "ردیف" (پیش فرض) |'ستون ها'

ابعاد مشاهده داده های پیش بینی کننده ، به عنوان جفت جدا از کاما متشکل از "مشاهدات" و "ستون ها" یا "ردیف" مشخص شده است. MDL. BinaryLearners باید حاوی مدل های طبقه بندی طبقه بندی باشد.

توجه داشته باشید

اگر ماتریس پیش بینی کننده خود را به گونه ای قرار دهید که مشاهدات با ستون ها مطابقت داشته باشد و "مشاهدات" ، "ستون ها" را مشخص کنید ، می توانید کاهش قابل توجهی در زمان اجرای را تجربه کنید. برای داده های پیش بینی کننده در یک جدول نمی توانید "مشاهدات" ، "ستون ها" را مشخص کنید.

گزینه ها - گزینه های تخمین [] (پیش فرض) |آرایه ساختار توسط statset برگردانده شده است

گزینه های تخمین ، به عنوان جفت جدا از کاما متشکل از "گزینه ها" و یک آرایه ساختار که توسط Statset بازگردانده شده است.

برای استناد به محاسبات موازی:

شما به یک جعبه ابزار محاسباتی موازی نیاز دارید.

posteriormethod - روش تخمین احتمال خلفی "KL" (پیش فرض) |"QP"

روش تخمین احتمال خلفی ، به عنوان جفت جدا از کاما متشکل از "posteriormethod" و "kl" یا "qp" مشخص شده است.

اگر posteriormethod "KL" باشد ، این نرم افزار با به حداقل رساندن واگرایی Kullback-Leibler بین احتمالات خلفی پیش بینی شده و مورد انتظار که توسط زبان آموزان باینری بازگردانده می شود ، احتمال خلفی چند طبقه را تخمین می زند. برای جزئیات بیشتر ، به تخمین خلفی با استفاده از واگرایی Kullback-Leibler مراجعه کنید.

اگر posteriormethod "QP" باشد ، این نرم افزار با حل یک مشکل حداقل مربعات با استفاده از برنامه نویسی درجه دوم ، احتمال خلفی چند طبقه را تخمین می زند. برای استفاده از این گزینه به یک جعبه ابزار بهینه سازی نیاز دارید. برای جزئیات بیشتر ، به تخمین خلفی با استفاده از برنامه نویسی درجه دوم مراجعه کنید.

اگر درخواست آرگومان خروجی چهارم (خلفی) را درخواست نکنید ، این نرم افزار مقدار posteriormethod را نادیده می گیرد.

مثال: 'posteriormethod' ، 'qp'

Verbose - سطح کلامی 0 (پیش فرض) |1

سطح کلامی ، به عنوان جفت جدا از کاما متشکل از "Verbose" و 0 یا 1 مشخص شده است. Verbose تعداد پیام های تشخیصی را که نرم افزار در پنجره فرمان نشان می دهد ، کنترل می کند.

اگر Verbose 0 باشد ، نرم افزار پیام های تشخیصی را نمایش نمی دهد. در غیر این صورت ، این نرم افزار پیام های تشخیصی را نشان می دهد.

مثال: "Verbose" ، 1

انواع داده ها: مجرد |دو برابر

استدلال های خروجی

برچسب - برچسب های کلاس پیش بینی شده آرایه طبقه بندی شده |آرایه شخصیت |آرایه منطقی |آرایه عددی |آرایه سلول از بردارهای کاراکتر

برچسب های کلاس پیش بینی شده ، به عنوان یک آرایه طبقه بندی ، شخصیت ، منطقی یا عددی یا یک آرایه سلول از بردارهای کاراکتر بازگشتند.

عملکرد پیش بینی طبقه بندی یک مشاهده را با اختصاص مشاهده به کلاس ارائه می دهد که بیشترین ضرر باینری متوسط نفی (یا ، به طور معادل ، کوچکترین ضرر باینری) را نشان می دهد. برای مشاهده با مقادیر از دست دادن NAN ، این عملکرد مشاهده را در کلاس اکثریت طبقه بندی می کند ، که بیشترین نسبت برچسب های آموزش را تشکیل می دهد.

برچسب دارای همان نوع داده های برچسب های کلاس است که برای آموزش MDL استفاده می شود و همان تعداد ردیف های X را دارد.(این نرم افزار آرایه های رشته ای را به عنوان آرایه های سلول بردارهای کاراکتر درمان می کند.)

اگر MDL. BinaryLearners حاوی مدل های طبقه بندی طبقه بندی باشد ، آنگاه برچسب یک ماتریس m-by l است ، جایی که m تعداد مشاهدات در x است ، و L تعداد نقاط قوت منظم در مدلهای طبقه بندی خطی است (Numel (mdl. binarylearners. lambda)). برچسب ارزش (I ، J) برچسب پیش بینی شده از مشاهده I برای مدل آموزش داده شده با استفاده از استحکام منظم MDL. BinaryLearners. Lambda (J) است.

در غیر این صورت ، برچسب یک بردار ستون از طول m است.

SEFRESSOSS - ماتریس عددی متوسط ضررهای باینری نفی شده |آرایه عددی

ضررهای باینری متوسط نفی ، به عنوان یک ماتریس عددی یا آرایه بازگشت.

اگر MDL. BinaryLearners حاوی مدل های طبقه بندی طبقه بندی باشد ، آنگاه یک آرایه m-b y-k -by- l است.

M تعداد مشاهدات در x است.

k تعداد کلاسهای مجزا در داده های آموزش (Numel (mdl. classnames)) است.

L تعداد نقاط قوت منظم در مدلهای طبقه بندی خطی (Numel (MDL. BinaryLearners. Lambda)) است.

InfeDoss (i ، k ، j) متوسط ضرر باینری نفی شده برای مشاهده I ، مربوط به کلاس mdl. classnames (k) است ، برای مدل آموزش داده شده با استفاده از استحکام منظم mdl. binarylearners. lambda (j).

اگر رمزگشایی "ضرر" باشد ، آنگاه (I ، K ، J) مجموع ضررهای باینری است که توسط تعداد زبان آموزان باینری تقسیم می شود.

اگر رمزگشایی "از دست دادن" باشد ، آنگاه (I ، K ، J) مجموع ضررهای باینری است که توسط تعداد زبان آموزان باینری برای کلاس K تقسیم می شود.< Pan> k تعداد کلاسهای مجزا در داده های آموزش (Numel (mdl. classnames)) است.