cvshrink

线性判别的交叉验证正则化

展开全部页面

语法

Err = cvshrink(obj) [err,gamma] = cvshrink(obj) [err,gamma,delta] = cvshrink(obj) [err,gamma,delta,numpred] = cvshrink(obj) (呃,……］= cvshrink (obj，名称,值）

描述

犯错= cvshrink (obj）返回正则化参数Gamma的不同值的交叉验证分类错误值的向量。

［犯错，γ] = cvshrink(obj）也返回Gamma值的向量。

［犯错，γ，δ] = cvshrink(obj）也返回Delta值的向量。

［犯错，γ，δ，numpred] = cvshrink(obj）返回每个参数Gamma和Delta设置的非零预测器数量的向量。

［犯错,……］= cvshrink (obj，名称,值）使用一个或多个指定的附加选项进行交叉验证名称,值对参数。

输入参数

obj

判别分析分类器，制作使用fitcdiscr．

名称-值参数

的可选逗号分隔对名称,值参数。名字参数名称和价值对应的值。名字必须出现在引号内。您可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

`δ`	标量`δ`- - - - - -`cvshrink`使用的值`δ`每一个价值`γ`正则化。行向量`δ`-每个`我`而且`j`，`cvshrink`使用`δ(j)`与`伽马(我)`正则化。矩阵`δ`的行数`δ`必须等于里面的元素数`γ`．为每一个`我`而且`j`，`cvshrink`使用`δ(i, j)`与`伽马(我)`正则化。默认值:`0`
`γ`	交叉验证的Gamma值向量。默认值:`0:0.1:1`
`NumDelta`	交叉验证的增量间隔数。对于每一个值，`cvshrink`交叉验证使用的鉴别符`NumDelta + 1`的值，均匀间隔从0到最大的Delta，在这个值上所有的预测因子都被消除。如果你设置`δ`，`cvshrink`忽略了`NumDelta`．默认值:`0`
`NumGamma`	交叉验证的Gamma间隔数。`cvshrink`交叉验证使用的鉴别符`NumGamma + 1`的值，均匀间隔`MinGamma`来`1`．如果你设置`γ`，`cvshrink`忽略了`NumGamma`．默认值:`10`
`详细的`	的整数`0`来`2`．数值越高，进度消息越多。默认值:`0`

输出参数

`犯错`	误差的数值向量或矩阵。`犯错`是错误分类错误率，表示错误分类数据在所有折叠中的平均比例。如果`δ`是标量(默认值)，`犯错(我)`错分类错误率为多少`obj`正规化和`伽马(我)`．如果`δ`是一个向量，`犯错(i, j)`错分类错误率为多少`obj`正规化和`伽马(我)`而且`δ(j)`．如果`δ`是一个矩阵，`犯错(i, j)`错分类错误率为多少`obj`正规化和`伽马(我)`而且`δ(i, j)`．
`γ`	用于正则化的Gamma值的向量。看到和．
`δ`	用于正则化的增量值的向量或矩阵。看到和．如果给出一个标量`δ`名称-值对，即输出`δ`行向量的大小和`γ`，其中项等于输入标量。如果你给它一个行向量`δ`名称-值对，即输出`δ`矩阵的列数是否与行向量相同，行数是否等于的元素数`γ`．输出`δ(i, j)`等于输入`δ(j)`．如果你给出一个矩阵`δ`名称-值对，即输出`δ`和输入矩阵一样。的行数`δ`必须等于里面的元素数`γ`．
`numpred`	包含模型中各种正则化的预测数的数值向量或矩阵。`numpred`尺寸和`犯错`．如果`δ`是标量(默认值)，`numpred(我)`预测因子的数量是多少`obj`正规化和`伽马(我)`而且`δ`．如果`δ`是一个向量，`numpred (i, j)`预测因子的数量是多少`obj`正规化和`伽马(我)`而且`δ(j)`．如果`δ`是一个矩阵，`numpred (i, j)`预测因子的数量是多少`obj`正规化和`伽马(我)`而且`δ(i, j)`．

例子

全部展开

用许多预测器正则化数据

打开实时脚本

正则化判别分析分类器，并查看模型中预测因子的数量与分类精度之间的权衡。

创建一个线性判别分析分类器ovariancancer数据。设置SaveMemory而且FillCoeffs保持结果模型合理小的选项。

负载ovariancancerObj = fitcdiscr(obs,grp，.．.“SaveMemory”，“上”，“FillCoeffs”，“关闭”）;

使用10级γ有10个等级δ寻找好的参数。这种搜索很耗时。集详细的来1查看进度。

rng (“默认”）再现率%[err,gamma,delta,numpred] = cvshrink(obj，.．.“NumGamma”9“NumDelta”9“详细”1);

完成交叉验证模型的构建。处理Gamma步骤1(满分10分)。处理10步中的第2步。处理10步中的第三步。处理10步中的第4步。处理10步中的第5步。处理10步中的第6步。处理10步中的第7步。处理Gamma的第8步。处理伽玛10步中的第9步。 Processing Gamma step 10 out of 10.

绘制分类错误率与预测因子数量的关系图。

情节(呃,numpred“k”。)包含(的错误率）;ylabel (“预测因子的数量”）;

图中包含一个轴对象。axis对象包含10个line类型的对象。

提示

检查犯错而且numpred输出，以查看交叉验证的错误和预测器数量之间的权衡。当你找到一个满意的点，设置相应的γ而且δ属性在模型中使用点表示法。例如，如果(i, j)满意点的位置确定了吗
```
obj。Gamma = Gamma (i);obj。Delta = delta(i,j);
```