主要内容

kfoldPredict

在交叉验证的分类模型中对观察进行分类

折叠所有页面

    语法

    标签= kfoldPredict (CVMdl)
    标签= kfoldPredict (CVMdl IncludeInteractions, IncludeInteractions)
    (标签,分数)= kfoldPredict (＿＿＿）
    (标签、分数、成本)= kfoldPredict (CVMdl)

    描述

    例子

    标签= kfoldPredict (CVMdl）返回交叉验证的分类器预测的类标签CVMdl．对于每一个褶皱,kfoldPredict使用在训练折叠观察上训练的分类器预测验证折叠观察的类别标签。CVMdl。X和CVMdl。Y包含两组观察结果。

    标签= kfoldPredict (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

    ［标签，分数) = kfoldPredict (＿＿＿）另外，使用在训练折叠观察上训练的分类器，使用前面语法中的任何输入参数，返回验证折叠观察的预测分类分数。

    ［标签，分数，成本) = kfoldPredict (CVMdl）另外返回判别分析的预期误分类成本，k-最近邻、朴素贝叶斯和树分类器。

    例子

    全部折叠

    打开生活的脚本

    使用鉴别分析模型的10倍交叉验证预测创建一个混淆矩阵。

    加载fisheriris数据集。X包含了150种不同的花的尺寸y列出每种花的种类或类。创建一个变量订单它指定类的顺序。

    负载fisheririsX =量;y =物种;订单=独特(y)
    订单=3 x1细胞{'setosa'} {'versicolor'} {'virginica'}

    建立一个10倍交叉验证的判别分析模型fitcdiscr函数。默认情况下,fitcdiscr确保训练集和测试集的花卉种类比例大致相同。指定花类的顺序。

    cvmdl = fitcdiscr (X, y,“KFold”10“类名”、订单);

    预测测试花的种类。

    predictedSpecies = kfoldPredict (cvmdl);

    创建一个混淆矩阵，将真实的类值与预测的类值进行比较。

    predictedSpecies confusionchart (y)

    Figure包含一个confusimatrixchart类型的对象。

    打开生活的脚本

    找到基于Fisher虹膜数据的模型的交叉验证预测。

    载入费雪的虹膜数据集。

    负载fisheriris

    使用AdaBoostM2训练分类树的集合。指定树桩为弱学习者。

    rng (1);%的再现性t = templateTree (“MaxNumSplits”1);Mdl = fitcensemble(量、种类、“方法”，“AdaBoostM2”，“学习者”t);

    使用10倍交叉验证对训练的集合进行交叉验证。

    CVMdl = crossval (Mdl);

    估计交叉验证、预测标签和分数。

    [elabel, escore] = kfoldPredict (CVMdl);

    显示每个职业的最大值和最小值。

    马克斯(escore)
    ans =1×39.3862 8.9871 10.1866
    分钟(escore)
    ans =1×30.0018 3.8359 0.9573

    输入参数

    全部折叠

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

    • 将下表中列出的训练过的分类模型传递给它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。

    分类模型 函数
    ClassificationDiscriminant fitcdiscr
    ClassificationEnsemble fitcensemble
    ClassificationGAM fitcgam
    ClassificationKNN fitcknn
    ClassificationNaiveBayes fitcnb
    ClassificationNeuralNetwork fitcnet
    ClassificationSVM fitcsvm
    ClassificationTree fitctree

    标记以包含模型的交互术语，指定为真正的或假．此论证仅对广义可加模型(GAM)有效。也就是说，您只能指定此参数CVMdl是ClassificationPartitionedGAM．

    默认值为真正的如果模型CVMdl（CVMdl。训练有素的)包含交互项。该值必须为假如果模型不包含交互项。

    数据类型:逻辑

    输出参数

    全部折叠

    预测的类标签，作为分类向量、逻辑向量、数字向量、字符数组或字符向量的单元格数组返回。标签具有相同的数据类型和行数CVMdl。Y．每个条目的标签中对应观测的预测类标签CVMdl。X．

    如果你使用抵抗者验证技术来创建CVMdl(也就是说,如果CVMdl。KFold是1)，然后忽略标签训练折叠观测值。这些值与频率最高的类匹配。

    分类分数，返回为n——- - - - - -K矩阵,n为观测次数(尺寸(CVMdl.X, 1)当观察是成行时)和K为唯一类的数量(尺寸(CVMdl.ClassNames, 1))．分类分评分(i, j)表示的信心我这是属于一类的观察j．

    如果你使用抵抗者验证技术来创建CVMdl(也就是说,如果CVMdl。KFold是1),然后分数有南训练折叠观测值。

    预期的误分类成本，返回为n——- - - - - -K矩阵,n为观测次数(尺寸(CVMdl.X, 1)当观察是成行时)和K为唯一类的数量(尺寸(CVMdl.ClassNames, 1))．的值成本(i, j)预测的平均误分类成本是我这是属于一类的观察j．

    请注意

    如果你想返回这个输出参数，CVMdl必须是判别分析，k-最近邻、朴素贝叶斯或树分类器。

    如果你使用抵抗者验证技术来创建CVMdl(也就是说,如果CVMdl。KFold是1),然后成本有南训练折叠观测值。

    算法

    kfoldPredict计算相应的预测预测对象的功能。有关特定于模型的描述，请参阅适当的预测函数参考页下表。

    模型类型 预测函数
    判别分析分类器 预测
    集成分类器 预测
    广义可加模型分类器 预测
    k最近的邻居分类器 预测
    朴素贝叶斯分类器 预测
    神经网络分类器 预测
    金宝app支持向量机分类器 预测
    用于多类分类的二叉决策树 预测

    扩展功能

    另请参阅

    ||||

    介绍了R2011a

    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

    掌握机器学习:一步一步的指导与MATLAB

    下载电子书