主要内容

Kfoldmargin.

交叉验证分类模型的分类边距

    描述

    例子

    = kfoldMargin (cvmdl.返回分类的利润率通过交叉验证的分类模型得到cvmdl..对于每一个褶皱,Kfoldmargin.使用在训练折叠观测数据上训练的分类器计算验证折叠观测数据的分类边距。CVMdl。XCVMdl。Y包含这两组观察。

    = kfoldMargin (cvmdl.“IncludeInteractions”,includeInteractions指定是否在计算中包含交互项。此语法仅适用于广义可加模型。

    例子

    全部折叠

    找到k-折叠边距的集合,分类电离层数据。

    加载电离层数据集。

    负载电离层

    创建一个模板树桩。

    t = templatetree('maxnumsplits',1);

    训练决策树的分类集成。指定t作为弱的学习者。

    mdl = fitcensemble(x,y,“方法”“AdaBoostM1”“学习者”t);

    使用10倍交叉验证对分类器进行交叉验证。

    cvens = crossval (Mdl);

    计算K折边距。显示边距的摘要统计信息。

    m = kfoldMargin (cvens);marginStats =表(min (m),意味着(m),马克斯(m),...“VariableNames”,{“最小值”'意思'“马克斯”})
    marginStats =1×3表最小值最大_______ _________312 7.3236 23.517

    输入参数

    全部折叠

    交叉验证的分区分类器,指定为ClassificationPartitionedModelClassificationPartitionedEnsemble,或Classificationededgam.对象。你可以用两种方式创建对象:

    • 通过下表中列出的训练有素的分类模型crossval对象的功能。

    • 使用下表中列出的函数训练分类模型,并为该函数指定一个交叉验证名称-值参数。

    标志要包括模型的交互条款,指定为真的或者.此参数仅适用于广义添加剂模型(GAM)。也就是说,只有在何时指定此参数cvmdl.Classificationededgam.

    默认值为真的如果模型cvmdl.CVMdl。训练有素的)包含交互项。该值必须为如果模型不包含交互术语。

    数据类型:逻辑

    输出参数

    全部折叠

    分类边距,作为数字矢量返回。是一个n-by-1向量,其中每一行是相应观测值和的边距n为观察次数。(n尺寸(CVMdl.X, 1)观察时的行。)

    如果你使用抵抗者验证技术来创建cvmdl.(也就是说,如果CVMdl。KFold1),然后训练折叠观测值。

    更多关于

    全部折叠

    分类保证金

    分类保证金对于二进制分类,对于每个观察,真正类别的分类分数与虚假类的分类分数之间的差异。的分类保证金多类分类是真实类的分类分数与错误类的最大分类分数的差值。

    如果边界在相同的尺度上(即,得分值基于相同的得分转换),那么它们将作为分类置信度度量。在众多分类公司中,那些利润率更高的公司表现更好。

    算法

    Kfoldmargin.按照相应的描述计算分类边距保证金对象的功能。有关特定于模型的描述,请参阅适当的保证金函数参考页下表。

    模型类型 保证金功能
    判别分析分类器 保证金
    集成分类器 保证金
    广义可加模型分类器 保证金
    k- 最终邻居分类器 保证金
    朴素贝叶斯分类器 保证金
    神经网络分类器 保证金
    金宝app支持向量机器分类器 保证金
    多包分类的二进制决策树 保证金

    扩展功能

    在R2011A介绍