multi output SVR

多输出支持向量回归 对于一般的回归问题，给定训练样本D={(x1,y1),(x2,y2),...,(xn,yn)},yi€R,我们希望学习到一个f（x）使得其与y尽可能的接近，w，b是待确定的参数。在这个模型中，只有当f(x)与y完全相同时，损失才为零，而支持向量回归假设我们能容忍的f(x)与y之间最多有ε的偏差，当且仅当f(x)与y的差别绝对值大于ε时，才计算损失，此时相当于以f(x)为中心，构建一个宽度为2ε的间隔带，若训练样本落入此间隔带，则认为是被预测正确的。（间隔带两侧的松弛程度可有所不同） ------

function RESULTS = assessment（LabelsPreLabelspar）

%
%   function RESULTS = assessment（LabelsPreLabelspar）
%
%   INPUTS:
%
%   Labels         : A vector containing the true （actual） labels for a given set of sample.
%   PreLabels      : A vector containing the estimated （predicted） labels for a given set of sample.
%	par			   : ‘class‘ or ‘regress‘
%
%   OUTPUTS: （all contained in struct RESULTS）
%
%   ConfusionMatrix: Confusion matrix of the classification process （True labels in columns predictions in rows）
%   Kappa          : Estimated Cohen‘s Kappa coefficient
%   OA             : Overall Accuracy
%   varKappa       : Variance of the estimated Kappa coefficient
%   Z              : A basic Z-score for significance testing （considering that Kappa is normally distributed）
%   CI             : Confidence interval at 95% for the estimated Kappa coefficient
%   Wilcoxon sign test and McNemar‘s test of significance differences
%
%   Gustavo Camps-Valls 2007（c）
%   gcamps@uv.es
%   
%   Formulae in:
%   Assessing the Accuracy of Remotely Sensed Data
%   by Russell G Congalton Kass Green. CRC Press
%

switch lower（par）
	case {‘class‘}
	
	Etiquetas = union（LabelsPreLabels）;     % Class labels （usually 123.... but can work with text labels）
	NumClases = length（Etiquetas）; % Number of classes
	
	% Compute confusion matrix
    ConfusionMatrix = zeros（NumClases）;
	for i=1:NumClases
	        for j=1:NumClases
	                ConfusionMatrix（ij） = length（find（PreLabels==Etiquetas（i） & Labels==Etiquetas（j）））;
	        end;
	end;
	          
	% Compute Overall Accuracy and Cohen‘s kappa statistic
	n      = sum（ConfusionMatrix（:））;                     % Total number of samples
	PA     = sum（diag（ConfusionMatrix））;
	OA     = PA/n;
	
	% Estimated Overall Cohen‘s Kappa （suboptimal implementation）
	npj = sum（ConfusionMatrix1）;
	nip = sum（ConfusionMatrix2）;
	PE  = npj*nip;
    if （n*PA-PE） == 0 && （n^2-PE） == 0
        % Solve indetermination
        warning（‘0 divided by 0‘）
        Kappa = 1;
    else
    	Kappa  = （n*PA-PE）/（n^2-PE）;
    end
	
	% Cohen‘s Kappa Variance
	theta1 = OA;
	theta2 = PE/n^2;
	theta3 = （nip‘+npj） * diag（ConfusionMatrix）  / n^2;
	
	suma4 = 0;
	for i=1:NumClases
	for j=1:NumClases
		suma4 = suma4 + ConfusionMatrix（ij）*（nip（i） + npj（j））^2;
	end;
	end;
	theta4 = suma4/n^3;
	varKappa = （ theta1*（1-theta1）/（1-theta2）^2     +     2*（1-theta1）*（2*theta1*theta2-theta3）/（1-theta2）^3      +     （1-theta1）^2*（theta4-4*theta2^2）/（1-theta2）^4  ）/n;
	Z = Kappa/sqrt（varKappa）;
	CI = [Kappa + 1.96*sqrt（varKappa） Kappa - 1.96*sqrt（varKappa）];
	
	if NumClases==2
	    % Wilcoxon test at 95% confidence interval
	    [p1h1] = signrank（LabelsPreLabels）;
	    if h1==0
	        RESULTS.WilcoxonComment	= ‘The null hypothesis of both distributions come from the same median can be rejected at the 5% level.‘;
	    elseif h1==1
	        RESULTS.WilcoxonComment	= ‘Th

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       4689  2010-09-15 17:18  msvr-2-1\assessment.m

     文件       2213  2018-12-31 22:17  msvr-2-1\demoMSVR.m

     文件       1642  2010-09-15 17:18  msvr-2-1\kernelmatrix.m

     文件       3312  2016-02-16 15:39  msvr-2-1\msvr.m

     文件        198  2010-09-15 17:18  msvr-2-1\scale.m

     目录          0  2018-12-31 22:23  msvr-2-1

----------- ---------  ---------- -----  ----

                12054                    6