Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.
Clasificar las observaciones utilizando el clasificador de máquina vectorial de soporte (SVM)
[
también devuelve una matriz de puntuaciones ( ) que indica la probabilidad de que una etiqueta proviene de una clase determinada.label
,score
]
= predict(SVMModel
,X
)score
Para SVM, las medidas de probabilidad son o clase .puntuaciones de clasificaciónprobabilidades posteriores Para cada observación en , la etiqueta de clase predicha corresponde a la puntuación máxima entre todas las clases.X
Si utiliza un modelo SVM lineal para la clasificación y el modelo tiene muchos vectores de soporte, el uso para el método de predicción puede ser lento.predict
Para clasificar de forma eficaz las observaciones basadas en un modelo SVM lineal, elimine los vectores de soporte del objeto de modelo mediante .discardSupportVectors
De forma predeterminada e independientemente de la función del núcleo del modelo, utiliza la representación dual de la función de puntuación para clasificar las observaciones basadas en modelos SVM entrenados, específicamenteMATLAB®
Este método de predicción requiere los vectores y coeficientes de soporte entrenados (consulte las propiedades del modelo SVM).αSupportVectors
Alpha
De forma predeterminada, el software calcula las probabilidades posteriores óptimas utilizando el método de Platt:[1]
Realice una validación cruzada de 10 veces.
Ajuste los parámetros de la función sigmoid a las puntuaciones devueltas por la validación cruzada.
Calcule las probabilidades posteriores introduciendo las puntuaciones de validación cruzada en la función sigmoide ajustada.
El software incorpora probabilidades previas en la función objetivo SVM durante el entrenamiento.
Para SVM, y clasificar las observaciones en la clase que produce la puntuación más grande (la mayor probabilidad posterior).predict
resubPredict
El software tiene en cuenta los costos de clasificación errónea aplicando la corrección de costo promedio antes de capacitar al clasificador. Es decir, dado el vector anterior de la clase, la matriz de costes de clasificación errónea y el vector de peso de observación, el software define un nuevo vector de pesos de observación ( ) de forma quePCwW
[1] Platt, J. “Probabilistic outputs for support vector machines and comparisons to regularized likelihood methods.” Advances in Large Margin Classifiers. MIT Press, 1999, pages 61–74.
ClassificationSVM
| CompactClassificationSVM
| fitcsvm
| fitSVMPosterior
| loss
| resubPredict