cvshrink

线性判别器的交叉验证正则化

全部展开页面

语法

呃= cvshrink (obj) (呃,γ)= cvshrink (obj) (呃,γδ)= cvshrink (obj) [err，gamma，delta，numpred] = cvshrink（obj） [err，...] = cvshrink（obj，名称，值）

描述

呃= cvshrink (obj）返回正则化参数Gamma不同值的交叉验证分类误差值的向量。

［呃，γ] = cvshrink（obj）还返回伽玛值的向量。

［呃，γ，δ] = cvshrink（obj）也返回带有Delta值的向量。

［呃，γ，δ，numpred] = cvshrink（obj）为参数Gamma和Delta的每个设置返回非零预测器数量的向量。

［呃，...] = 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,值对论点。

输入参数

obj

判别分析分类器，产生使用fitcdiscr.．

名称-值参数

指定可选的逗号分隔的对名称,值论点。的名字参数名和价值是相应的价值。的名字必须出现在引号内。您可以以任何顺序指定多个名称和值对参数name1，value1，...，namen，valuen．

`δ`	标量`δ`- - - - - -`cvshrink`使用这个值`δ`每个值`γ`正则化。行向量`δ`- 为每一个`我`和`j`，`cvshrink`用途`三角洲（j）`与`伽马(我)`正则化。矩阵`δ`- 行数`δ`必须等于元素的个数`γ`．对于每一个人`我`和`j`，`cvshrink`用途`δ(i, j)`与`伽马(我)`正则化。默认值:`0`
`γ`	交叉验证的伽马值矢量。默认值:`0:0.1:1`
`NumDelta`	交叉验证的三角点间隔数。对于伽玛的每一个值，`cvshrink`交叉验证鉴别器的使用`NumDelta + 1`的值，均匀地从0到最大的值，在这个值处所有的预测因子都被消除了。如果你设置`δ`，`cvshrink`忽略了`NumDelta`．默认值:`0`
`NumGamma`	交叉验证的伽马间隔数。`cvshrink`交叉验证鉴别器的使用`NumGamma + 1`伽玛的值，均匀间隔`MinGamma`来`1`．如果你设置`γ`，`cvshrink`忽略了`NumGamma`．默认值:`10`
`verb`	长度级别，一个整数`0`来`2`．更高的值提供更多的进度消息。默认值:`0`

输出参数

`呃`	数字矢量或错误矩阵。`呃`是错误分类错误率，这意味着所有折叠的错误分类数据的平均分数。如果`δ`是标量(默认)，`呃（i）`误分类错误率是多少`obj`正规化和`伽马(我)`．如果`δ`是一个矢量,`犯错(i, j)`误分类错误率是多少`obj`正规化和`伽马(我)`和`三角洲（j）`．如果`δ`是一个矩阵,`犯错(i, j)`误分类错误率是多少`obj`正规化和`伽马(我)`和`δ(i, j)`．
`γ`	用于正则化的伽马值向量。看到γ和δ．
`δ`	用于正则化的值的向量或矩阵。看到γ和δ．如果你给了一个标量`δ`名称-值对，输出`δ`行向量的大小和`γ`，条目等于输入标量。如果你给一个行向量`δ`名称-值对，输出`δ`矩阵的列数是否与行向量相同，且行数等于的元素数`γ`．输出`δ(i, j)`等于输入吗`三角洲（j）`．如果你给出一个矩阵`δ`名称-值对，输出`δ`等于输入矩阵。的行数`δ`必须等于元素的个数`γ`．
`numpred`	数字矢量或矩阵包含模型中的模型中的预测器数量。`numpred`有相同的尺寸`呃`．如果`δ`是标量(默认)，`numpred（i）`是预测因子的数量`obj`正规化和`伽马(我)`和`δ`．如果`δ`是一个矢量,`numpred（i，j）`是预测因子的数量`obj`正规化和`伽马(我)`和`三角洲（j）`．如果`δ`是一个矩阵,`numpred（i，j）`是预测因子的数量`obj`正规化和`伽马(我)`和`δ(i, j)`．

例子

全部展开

使用许多预测器进行正规化数据

打开直播脚本

正规化判别分析分类器，并在模型中的预测器数量和分类准确度之间查看折衷。

创建一个线性判别分析分类器卵巢癌数据。设定SaveMemory.和Fillcoeffs.保持结果模型相当小的选项。

负载卵巢癌grp obj = fitcdiscr(奥林匹克广播服务公司,．..'savememory'，“上”，“FillCoeffs”，'离开'）;

使用10级伽玛和10级δ搜索好参数。此搜索是耗时的。放verb来1查看进度。

RNG（'默认'）%的再现性[err，gamma，delta，numpred] = cvshrink（obj，．..“NumGamma”9'numdelta'9'verbose'，1）;

完成交叉验证模型的构建。处理Gamma步骤1。处理Gamma步骤2 10。处理Gamma步骤3 10。处理Gamma步骤4 10。处理Gamma步骤5 10。处理Gamma步骤6 10。处理Gamma步骤7 10。处理伽玛步骤8 10。处理Gamma步骤9 10。 Processing Gamma step 10 out of 10.

绘制分类错误率与预测数的关系图。

情节(呃,numpred'k。'）Xlabel（'错误率'）;ylabel ('预测器数量'）;

图中包含一个轴对象。axis对象包含10个类型为line的对象。

提示

检查呃和numpred输出以查看交叉验证错误和预测器数之间的权衡。当您发现令人满意的点时，请设置相应的点γ和δ属性在模型中使用点符号。例如,如果（I，J）满意点的位置是否设置好
```
obj。γ=γ(我);obj。Delta = delta(i,j);
```

另请参阅

ClassificationDiscriminant|fitcdiscr.

主题

统计和机器学习工具箱文档

金宝app

掌握机器学习:一步一步的指导与MATLAB

下载电子书