傻瓜攻略（十九）——MATLAB实现SVM多分类

对于组合二元支持向量机模型的多类学习，使用纠错输出码（ECOC，error-correcting output codes ）。有关详细信息，请参阅fitcecoc。 ECOC 可以用来将 Multiclass Learning 问题转化为 Binary Classification 问题。

以下内容基于MATLAB官网的介绍文档，进行了一点个人的理解和整理，不算原创，但也不是单纯的翻译。一年的博客写作生涯，随着博士生涯进入正轨，我写博客的动力也变了，原来是纯粹为了分享和成长，想写的方法就学一学写一写。现在不行了，搞科研的方法太多了，能让人皓首穷经，慢慢地，我就变成了没有需求就没有学习的的动力。用不到的方法就不想去学了，python的学习就是这样放下的。SVM也是，这里就开个头吧，不知道以后还有没有机会深入学习，拿出来哪怕一个月的时间，从头到尾地学习。现在这篇博客里的内容缺斤少两的，想看具体的英文内容请点击链接fitcecoc。

MATLAB实现SVM多分类

纠错输出码（ECOC）相关网页
官网的例子
- 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

纠错输出码（ECOC）相关网页

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

官网的例子

Train Multiclass Model Using SVM Learners

使用支持向量机（SVM）二进制学习器训练多类纠错输出代码（ECOC）模型。

% 导入数据，Y中含有三类标签
load fisheriris
X = meas;
Y = species;% 使用默认选项训练多类ECOC模型。
% Mdl是ECOC多分类模型，默认情况下，fitcecoc使用SVM二进制学习器和一对一编码设计，可以使用点表示法访问Mdl属性。
Mdl = fitcecoc(X,Y)% 显示类名称和编码设计矩阵。
% 三个类的一对一编码设计产生三个二进制学习器。CodingMat的列对应于学习器，行对应于类。
% 类顺序与Mdl.ClassNames类中的顺序相同
% 例如，CodingMat(：,1)为[1;–1;0]，表示matlab使用分类为"setosa"和"versicolor"的所有观测值训练第一个支持向量机二进制学习者。
% 因为'setosa'对应于1，所以它是正类；'versicolor'对应于-1，所以它是负类。
Mdl.ClassNames
CodingMat = Mdl.CodingMatrix% 使用单元格索引和点表示法访问每个二进制学习器。
Mdl.BinaryLearners{1}   % The first binary learner% 计算替换类别错误。 训练数据的分类误差很小，但是分类器可能是过拟合模型。 可以使用crossval对分类器进行交叉验证，并计算交叉验证分类错误。
error = resubLoss(Mdl)

Train Multiclass Linear Classification Model

训练由多个二进制，线性分类模型组成的ECOC模型。

% 导入数据
load nlpdata
% X是预测数据的稀疏矩阵，Y是类标签的分类向量。数据中有两个以上的类。
% 创建默认的线性分类模型模板。
t = templateLinear();
% 训练由多个二进制，线性分类模型组成的ECOC模型，这些模型可以根据文档网页上单词的频率分布来识别产品。
% 为了缩短训练时间，请转置预测数据，并指定观察值对应于列。
X = X';
rng(1); % For reproducibility
Mdl = fitcecoc(X,Y,'Learners',t,'ObservationsIn','columns')

Cross-Validate ECOC Classifier

使用SVM二进制学习器对ECOC分类器进行交叉验证，并估计分类错误。

% 交叉验证ECOC分类器
% 加载Fisher的虹膜数据集，指定预测变量数据X和标签Y。
load fisheriris
X = meas;
Y = species;
rng(1); % For reproducibility
% 创建一个SVM模板，并标准化预测变量。
% t是一个SVM模板。 大多数模板对象属性为空，训练时，属性为其默认值。
t = templateSVM('Standardize',true)
% 训练ECOC分类器Mdl，并指定类别顺序。
Mdl = fitcecoc(X,Y,'Learners',t,...'ClassNames',{'setosa','versicolor','virginica'});
% 使用10倍交叉验证对Mdl进行交叉验证
CVMdl = crossval(Mdl);
% 估计广义分类误差，误差越小说明分类器的泛化效果越好
genError = kfoldLoss(CVMdl)

Estimate Posterior Probabilities Using ECOC Classifier

使用SVM二进制学习器训练ECOC分类器。首先预测训练样本标签和类后验概率，然后预测网格中每个点的最大类后验概率，并可视化结果。（啊不想看了）

Speed Up Training ECOC Classifiers Using Binning and Parallel Computing

使用合并和并行计算加快训练ECOC分类器的速度。
使用具有替代分割的决策树GentleBoost集成训练一个一对多ECOC分类器。为了加快训练速度，合并（bin应该是这个意思）数值预测器并使用并行计算。Binning只有在fitcecoc使用树型学习器时才有效。训练结束后，利用10倍交叉验证估计分类误差。

Optimize ECOC Classifier

每个SVM相关函数的实例中都有一个优化的例子

Train Multiclass ECOC Model with SVMs and Tall Arrays

创建两个基于高数据训练的多类ECOC模型。其中一个模型使用线性二进制学习器，另一个模型使用核心二进制学习器。比较两个模型的分类误差。

其他

输入输出设置的内容也有很多，需要注意的是，在这里，可以使用多种分类器进行多分类，SCM只是其中的一种。

此外，fitcecoc只支持稀疏矩阵（稀疏矩阵是个啥？）用于训练线性分类模型。对于所有其他模型，请提供完整的预测数据矩阵。

更多的内容需要进一步学习啊，学吧，学无止境，太深了。