Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.
Ajuste las probabilidades posteriores
Devuelve, que es un clasificador entrenado de máquina de vectores de soporte (SVM) que contiene la función óptima de transformación de probabilidad de puntuación a posterior para el aprendizaje de dos clases.ScoreSVMModel
= fitSVMPosterior(SVMModel
)ScoreSVMModel
El software se ajusta a la función de transformación de probabilidad de puntuación a posterior adecuada utilizando el clasificador de SVM, y mediante la validación cruzada utilizando los datos del predictor almacenado () y las etiquetas de clase ().SVMModel
SVMModel.X
SVMModel.Y
La función de transformación calcula la probabilidad posterior de que una observación se clasifica en la clase positiva ().SVMModel.Classnames(2)
Si las clases son inseparables, la función de transformación es la.función sigmoide
Si las clases son perfectamente separables, la función de transformación es la.función de paso
En el aprendizaje de dos clases, si una de las dos categorías tiene una frecuencia relativa de 0, la función de transformación es la. no es apropiado para el aprendizaje de una sola clase.función constantefitSVMPosterior
Si es un clasificador, el software estima la función de transformación óptima mediante validación cruzada de 10 veces como se describe en.SVMModel
ClassificationSVM
[1] De lo contrario, debe ser un clasificador. especifica el método de validación cruzada.SVMModel
ClassificationPartitionedModel
SVMModel
El software almacena la función de transformación óptima en.ScoreSVMModel.ScoreTransform
Devuelve un clasificador de vectores de soporte entrenado que contiene la función de transformación del clasificador SVM entrenado y compacto.ScoreSVMModel
= fitSVMPosterior(SVMModel
,TBL
,ResponseVarName
)SVMModel
El software estima la función de transformación de puntuación utilizando los Datos predictores en las etiquetas de tabla y clase.TBL
TBL.ResponseVarName
Devuelve un clasificador de vectores de soporte entrenado que contiene la función de transformación del clasificador SVM entrenado y compacto.ScoreSVMModel
= fitSVMPosterior(SVMModel
,TBL
,Y
)SVMModel
El software estima la función de transformación de puntuación utilizando los Datos predictores en las etiquetas de tabla y clase.TBL
Y
Devuelve un clasificador de vectores de soporte entrenado que contiene la función de transformación del clasificador SVM entrenado y compacto.ScoreSVMModel
= fitSVMPosterior(SVMModel
,X
,Y
)SVMModel
El software estima la función de transformación de puntuación utilizando Datos predictores y etiquetas de clase.X
Y
utiliza opciones adicionales especificadas por uno o más argumentos de par proporcionados es un clasificador.ScoreSVMModel
= fitSVMPosterior(___,Name,Value
)Name,Value
SVMModel
ClassificationSVM
Por ejemplo, puede especificar el número de pliegues para utilizar la validación cruzada en pliegue.k
[
Además devuelve los parámetros de la función de transformación () utilizando cualquiera de los argumentos de entrada en las sintaxis anteriores.ScoreSVMModel
,ScoreTransform
]
= fitSVMPosterior(___)ScoreTransform
Este proceso describe una manera de predecir probabilidades posteriores de clase positiva.
Entrenar un clasificador SVM pasando los datos a.fitcsvm
El resultado es un clasificador de SVM entrenado, como, que almacena los datos.SVMModel
El software establece la función de transformación de puntuación Property () en.SVMModel.ScoreTransformation
none
Pase el clasificador de SVM entrenado a o.SVMModel
fitSVMPosterior
fitPosterior
El resultado, por ejemplo, es el mismo clasificador de SVM entrenado que, excepto los conjuntos de software para la función de transformación de puntuación óptima.ScoreSVMModel
SVMModel
ScoreSVMModel.ScoreTransformation
Pase la matriz de Datos predictores y el clasificador de SVM entrenado que contiene la función de transformación de puntuación óptima () a.ScoreSVMModel
Predecir
La segunda columna en el segundo argumento de salida de almacena las probabilidades posteriores de clase positiva correspondientes a cada fila de la matriz de Datos predictores.Predecir
Si omite el paso 2, devuelve la puntuación de clase positiva en lugar de la probabilidad posterior de clase positiva.Predecir
Después de ajustar las probabilidades posteriores, puede generar código de C/C++ que predice etiquetas para nuevos datos. La generación de código C/C++ requiere MATLAB®Coder™. Para obtener más información, consulte.Introducción a la generación de código
Si vuelve a estimar la función de transformación puntuación a posterior probabilidad, es decir, si pasa un clasificador SVM a o y su propiedad no es, entonces el software:fitPosterior
fitSVMPosterior
ScoreTransform
none
Muestra una advertencia
Restablece la función de transformación original antes de estimar la nueva'none'
[1] Platt, J. “Probabilistic outputs for support vector machines and comparisons to regularized likelihood methods”. In: Advances in Large Margin Classifiers. Cambridge, MA: The MIT Press, 2000, pp. 61–74.
ClassificationPartitionedModel
| ClassificationSVM
| CompactClassificationSVM
| fitPosterior
| fitPosterior
| fitcsvm
| kfoldPredict
| predict