對于組合二元支持向量機模型的多類學習，使用糾錯輸出碼（ECOC，error-correcting output codes ）。有關詳細信息，請參閱fitcecoc。 ECOC 可以用來將 Multiclass Learning 問題轉化為 Binary Classification 問題。

以下內容基于MATLAB官網的介紹文檔，進行了一點個人的理解和整理，不算原創，但也不是單純的翻譯。一年的博客寫作生涯，隨著博士生涯進入正軌，我寫博客的動力也變了，原來是純粹為了分享和成長，想寫的方法就學一學寫一寫。現在不行了，搞科研的方法太多了，能讓人皓首窮經，慢慢地，我就變成了沒有需求就沒有學習的的動力。用不到的方法就不想去學了，python的學習就是這樣放下的。SVM也是，這里就開個頭吧，不知道以后還有沒有機會深入學習，拿出來哪怕一個月的時間，從頭到尾地學習。現在這篇博客里的內容缺斤少兩的，想看具體的英文內容請點擊鏈接fitcecoc。

MATLAB實現SVM多分類

• • 糾錯輸出碼（ECOC）相關網頁
  • 官網的例子
  • • Train Multiclass Model Using SVM Learners
    • Train Multiclass Linear Classification Model
    • Cross-Validate ECOC Classifier
    • Estimate Posterior Probabilities Using ECOC Classifier
    • Speed Up Training ECOC Classifiers Using Binning and Parallel Computing
    • Optimize ECOC Classifier
    • Train Multiclass ECOC Model with SVMs and Tall Arrays
  • 其他

糾錯輸出碼（ECOC）相關網頁

https://www.deeplearn.me/587.html
https://blog.csdn.net/u010945683/article/details/52743515

官網的例子

Train Multiclass Model Using SVM Learners

使用支持向量機（SVM）二進制學習器訓練多類糾錯輸出代碼（ECOC）模型。

% 導入數據，Y中含有三類標簽 load fisheriris X = meas; Y = species;% 使用默認選項訓練多類ECOC模型。 % Mdl是ECOC多分類模型，默認情況下，fitcecoc使用SVM二進制學習器和一對一編碼設計，可以使用點表示法訪問Mdl屬性。 Mdl = fitcecoc(X,Y)% 顯示類名稱和編碼設計矩陣。 % 三個類的一對一編碼設計產生三個二進制學習器。CodingMat的列對應于學習器，行對應于類。 % 類順序與Mdl.ClassNames類中的順序相同 % 例如，CodingMat(：,1)為[1;–1;0]，表示matlab使用分類為"setosa"和"versicolor"的所有觀測值訓練第一個支持向量機二進制學習者。 % 因為'setosa'對應于1，所以它是正類；'versicolor'對應于-1，所以它是負類。 Mdl.ClassNames CodingMat = Mdl.CodingMatrix% 使用單元格索引和點表示法訪問每個二進制學習器。 Mdl.BinaryLearners{1} % The first binary learner% 計算替換類別錯誤。 訓練數據的分類誤差很小，但是分類器可能是過擬合模型。 可以使用crossval對分類器進行交叉驗證，并計算交叉驗證分類錯誤。 error = resubLoss(Mdl)

Train Multiclass Linear Classification Model

訓練由多個二進制，線性分類模型組成的ECOC模型。

% 導入數據 load nlpdata % X是預測數據的稀疏矩陣，Y是類標簽的分類向量。數據中有兩個以上的類。 % 創建默認的線性分類模型模板。 t = templateLinear(); % 訓練由多個二進制，線性分類模型組成的ECOC模型，這些模型可以根據文檔網頁上單詞的頻率分布來識別產品。 % 為了縮短訓練時間，請轉置預測數據，并指定觀察值對應于列。 X = X'; rng(1); % For reproducibility Mdl = fitcecoc(X,Y,'Learners',t,'ObservationsIn','columns')

Cross-Validate ECOC Classifier

使用SVM二進制學習器對ECOC分類器進行交叉驗證，并估計分類錯誤。

% 交叉驗證ECOC分類器 % 加載Fisher的虹膜數據集，指定預測變量數據X和標簽Y。 load fisheriris X = meas; Y = species; rng(1); % For reproducibility % 創建一個SVM模板，并標準化預測變量。 % t是一個SVM模板。 大多數模板對象屬性為空，訓練時，屬性為其默認值。 t = templateSVM('Standardize',true) % 訓練ECOC分類器Mdl，并指定類別順序。 Mdl = fitcecoc(X,Y,'Learners',t,...'ClassNames',{'setosa','versicolor','virginica'}); % 使用10倍交叉驗證對Mdl進行交叉驗證 CVMdl = crossval(Mdl); % 估計廣義分類誤差，誤差越小說明分類器的泛化效果越好 genError = kfoldLoss(CVMdl)

Estimate Posterior Probabilities Using ECOC Classifier

使用SVM二進制學習器訓練ECOC分類器。首先預測訓練樣本標簽和類后驗概率，然后預測網格中每個點的最大類后驗概率，并可視化結果。（啊不想看了）

Speed Up Training ECOC Classifiers Using Binning and Parallel Computing

使用合并和并行計算加快訓練ECOC分類器的速度。
使用具有替代分割的決策樹GentleBoost集成訓練一個一對多ECOC分類器。 為了加快訓練速度，合并（bin應該是這個意思）數值預測器并使用并行計算。Binning只有在fitcecoc使用樹型學習器時才有效。訓練結束后，利用10倍交叉驗證估計分類誤差。

Optimize ECOC Classifier

每個SVM相關函數的實例中都有一個優化的例子

Train Multiclass ECOC Model with SVMs and Tall Arrays

創建兩個基于高數據訓練的多類ECOC模型。其中一個模型使用線性二進制學習器，另一個模型使用核心二進制學習器。 比較兩個模型的分類誤差。

其他

輸入輸出設置的內容也有很多，需要注意的是，在這里，可以使用多種分類器進行多分類，SCM只是其中的一種。

此外，fitcecoc只支持稀疏矩陣（稀疏矩陣是個啥？）用于訓練線性分類模型。對于所有其他模型，請提供完整的預測數據矩陣。

更多的內容需要進一步學習啊，學吧，學無止境，太深了。

總結

以上是生活随笔為你收集整理的傻瓜攻略（十九）——MATLAB实现SVM多分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。