文档帮助中心文档
在交叉验证的分类模型中对观察进行分类
标签= kfoldPredict (CVMdl)
标签= kfoldPredict (CVMdl IncludeInteractions, IncludeInteractions)
(标签,分数)= kfoldPredict (___)
(标签、分数、成本)= kfoldPredict (CVMdl)
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)
标签
CVMdl
kfoldPredict
CVMdl。X
CVMdl。Y
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。
标签= kfoldPredict (CVMdl“IncludeInteractions”,includeInteractions)
includeInteractions
[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) = kfoldPredict (___)
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。
[标签,分数,成本) = kfoldPredict (CVMdl)
成本
全部折叠
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。
fisheriris
X
y
订单
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。
fitcdiscr
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)
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
ClassificationPartitionedModel
ClassificationPartitionedEnsemble
ClassificationPartitionedGAM
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。
crossval
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。
ClassificationDiscriminant
ClassificationEnsemble
fitcensemble
ClassificationGAM
fitcgam
ClassificationKNN
fitcknn
ClassificationNaiveBayes
fitcnb
ClassificationNeuralNetwork
fitcnet
ClassificationSVM
fitcsvm
ClassificationTree
fitctree
真正的
假
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。
CVMdl。训练有素的
数据类型:逻辑
逻辑
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。
CVMdl。KFold
1
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.
尺寸(CVMdl.X, 1)
尺寸(CVMdl.ClassNames, 1)
评分(i, j)
我
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。
南
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.
成本(i, 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。
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。
预测
使用注意事项及限制:
此功能完全支持以下交叉验证模型对象的GP金宝appU阵列:
用fitcensemble
k训练的最近邻分类器fitcknn
金宝app支持向量机分类器训练fitcsvm
用于多类分类的二叉决策树fitctree
有关更多信息,请参见在GPU上运行MATLAB函数(并行计算工具箱).
ClassificationPartitionedModel|kfoldEdge|kfoldMargin|kfoldLoss|kfoldfun
kfoldEdge
kfoldMargin
kfoldLoss
kfoldfun
您已经有了geänderte版本死亡Beispiels。Möchten您是谁? Änderungen öffnen?
您有一个连接到MATLAB-Befehl entspricht:
Führen Sie den Befehl durch Eingabe in das MATLAB-Befehlsfenster aus。Webbrowser unterstützen keine MATLAB-Befehle。
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:.
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
与当地办事处联系