LSSVM工具箱的使用说明_lssvm工具箱怎么用资源-CSDN文库

5星 · 超过95%的资源需积分: 31 68 浏览量 2014-08-08 15:59:21 上传评论 7 收藏 660KB PDF 举报

资源推荐

资源详情

资源评论

最小二乘支持向量机 1.6 版

前言

对于以前的版本 1.5 版的工具箱和更新现有的一些命令我们增加了新功能。由于许多读

者都是熟悉的版本 1.5 布局，我们试图尽可能少地改变它。主要的区别加速了一些方法的实

现。这里是一个简要的主要变化：

Chapter/solver/function What’s new

What’s new

2. LS-SVMLab toolbox examples LS - SVM 的路线图;增添更多的回归和分

类的例子;界面更容易，多级分类; 改变执行

了健全 ls-svm。

3. Matlab functions 回归或分类的可能性只使用一条命令即

可，功能验证已经被删除，更快（强劲）训

练和（强大）模型选择标准被提供给用户，

以防万一，稳健回归不同的函数必须要和与

迭代重加权 LS – SVM 一起使用。

4. LS-SVM solver 所有 CMEX 和/或 C 文件已被删除。求解

线该性系统通过使用 MATLAB 命令“反斜杠”

（\）





大量附加功能的文件是可用于分类工作的。对于模拟分类模型的潜变量是通过模拟得到的连

续的结果，这个结果最终是离散的。受试者工作特征曲线（ROC）可以用来衡量一个分类器的性能。

多类分类问题分解成多个二元分类任务。几种编码方案可以用在了这一点：最小输出，一比一，一

对多和纠错编码方案。可以用海明距离，损失函数距离和贝叶斯损解码来解码一个给定的结果。一

个偏差期限校正是可以做，然而对于小数据集是特别有趣的。

2.1.2 调谐，稀疏，完整性

调用函数：tunelssvm, crossvalidatelssvm, leaveoneoutlssvm, robustlssvm,sparselssvm;

演示：Subsections ， demofun, democlass, demomodel

估算训练模式的泛化性能的很多方法都包括在内。对于分类，可以用错误分类率

（misclass）来表述。对重复培训和验证为基础的估计都是通过 crossvalidatelssvm 和

leaveoneoutlssvm 来实现的。一个强大的 crossvalidation（关于迭代重加权 LS - SVM 的）

分数由 rcrossvalidatelssvm 函数被调用。这些绩效措施，可用于确定调整参数（如正规化

和内核参数的 LS - SVM 的（tunelssvm））。减少一个 LS - SVM 的模型的复杂性可以通过

反复修剪较重要支持值（sparselssvm）. 在数据中的异常值的情况下，支持数值的更正将

改进模型（robustlssvm）.

2.1.3 贝叶斯框架

调用函数：bay_lssvm, bay_optimize, bay_lssvmARD, bay_errorbar, bay_modoutClass,

kpca, eign

演示：Subsections

计算模型的后验概率和不同层次的推理中超参数的函数是可以用的。通过考虑模型和

超参数的不确定性得到误差线。进行分类，一类可以估算后概率（这也被称为主持输出）

（bay_modoutClass）。在贝叶斯框架中使用特征值分解核矩阵。矩阵的大小会随着数据点

的数量而增长。因此，人们需要逼近技术处理大型数据集。众所周知，主要特征值和相应的

特征向量是相关的。因此，，迭代逼近方法，如作为 Nystrom 方法包括在内，这也是高斯过

程中经常使用。输入选择可以通过自动关联的测定（bay_lssvmARD）。对于一个落后的变

量的选择，贝叶斯框架推断的第三个层次对这个问题来说最合适的运用。

2.2 NARX 模型及预测

调用函数：predict, windowize;

演示： Subsection

对非线性 NARX 时间序列应用系统可以扩散。一个 NARX 模型能够建立基于非线性回

归量，这是通过对过去数据的输出（或输入）的测量来估计下一次迭代输出的值。使一个数

据集通过窗口和 NARX 窗口转变为一个新的输入（过去测量的）和输出集（未来的输出），

这两个窗口分别为时间序列事件和一般的外部输入 NARX 事件。迭代预测（在递归方法中）

下一个输出，该输出是基于先前的预测，及初始值都是由预测来工作。

2.3 非监督学习

调用函数：kpca, denoise_kpca, preimage_rbf;

演示： Subsection



非监督学习可以基于主成分分析（kpca）所描述的内核进行工作，为此，一种对最小

二乘支持向量机的原始双重的解释得到屈服，这也将进一步扩展到内核典型相关分析和内核

偏最小二乘法。

2.4 通过固定大小的最小二乘支持矢量机解决大型规模问题

调用函数：demo_fixedsize, AFEm, kentropy;

演示：Subsection , demo_fixedsize, demo_fixedclass

例如喜欢基于最小二乘支持向量机算法的典型内核通常具有记忆功能和算法复杂度为

O(N 2)的计算要求。为绕过这个瓶颈，对大规模的工作方法提出了解决方案。对于大型数据

集，将有利于在原始权空间解决最小二乘问题，这是由于当时未知数向量大小是与特征向量

大小是成比例的，而不是数据点的数量。但是，该特征空间映射是由内核诱导的，而内核又

需要获得非线性，因此，提出了一种固定大小的最小二乘支持向量机的方法。首先，Nystr¨om

方法能够用来估计特征空间的映射。Nystr¨om 近似值，内核主成分分析和密度估计之间的

联系已被讨论。在固定大小的最小二乘支持向量机中，聘请了明确的原始对偶 LS-SVM 的

解释，将它们联系起来。根据二次 Renyi 熵准则选择支持向量机。最后一步，在原始空间

剩余25页未读，继续阅读

内容反馈

柯南VF

2017-12-26

看了一下，还不错
duripeng

2018-07-01

不错，谢谢！！

chenziye89

粉丝: 0
资源: 2

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip