ClassificationPartitionedModel
包:classreg.learning.partition
旨在分类模型
描述
ClassificationPartitionedModel
是一组分类模型的训练旨在折叠。估计的质量分类交叉验证使用一个或多个“kfold”方法:kfoldPredict
,kfoldLoss
,kfoldMargin
,kfoldEdge
,kfoldfun
。
每个“kfold”方法使用模型训练的观测预测out-of-fold观察的反应。例如,假设您使用5折交叉验证。在这种情况下,软件随机分配每个观测分成大致相等大小的五组。的培训褶皱(即包含的四个组。,roughly 4/5 of the data) and the测试褶皱包含另一组(即。,大约1/5的数据)。在这种情况下,交叉验证收益如下:
软件培训(存储在第一个模型
CVMdl.Trained {1}
)使用观察过去四组和储备第一组的观测验证。软件培训(存储在第二个模型
CVMdl.Trained {2}
)使用观察第一组最后三组,在第二组和保留观察验证。软件第三至第五收益以类似的方式模型。
如果验证通过调用kfoldPredict
的观测,计算预测使用第一个模型组1,组2第二模式,等等。简而言之,每个观测使用的软件估计响应模型训练没有观察。
建设
创建一个旨在分类模型的分类模型(CVMdl
= crossval (Mdl
)Mdl
)。
另外:
CVDiscrMdl = fitcdiscr (X, Y,名称,值)
CVKNNMdl = fitcknn (X, Y,名称,值)
CVNetMdl = fitcnet (X, Y,名称,值)
CVNBMdl = fitcnb (X, Y,名称,值)
CVSVMMdl = fitcsvm (X, Y,名称,值)
CVTreeMdl = fitctree (X, Y,名称,值)
当创建一个旨在模型的名字
要么是“CrossVal”
,“KFold”
,“坚持”
,“Leaveout”
,或“CVPartition”
。语法细节,请参阅fitcdiscr
,fitcknn
,fitcnet
,fitcnb
,fitcsvm
,fitctree
。
输入参数
|
一个分类模型,指定为以下之一: |
属性
|
本数值预测边缘,指定的单元阵列p数值向量,p预测的数量。每个向量包括箱子边缘数值预测。单元阵列中的元素分类预测是空的,因为软件不本分类预测。 软件垃圾箱只有指定数值预测 你可以复制被预测数据 X = mdl.X;%预测数据Xbinned = 0(大小(X));边缘= mdl.BinEdges;%找到被预测的指标。idxNumeric =找到(~ cellfun (@isempty边缘));如果iscolumn idxNumeric idxNumeric = idxNumeric ';对j = idxNumeric x = x (:, j);% x转换为数组如果x是一个表。如果istable (x) x = table2array (x);组x %到垃圾箱使用结束
Xbinned 包含本指标,从1到垃圾箱的数量,数值预测。Xbinned 分类预测的值是0。如果X 包含南 年代,那么相应的Xbinned 值是南 年代。 |
||||||||||||||||||||
|
分类预测指标,指定为一个向量的正整数。假设预测数据包含观察行, 如果 |
||||||||||||||||||||
|
独特的类标签用于训练模型,指定为一个类别或字符数组,逻辑或数值向量,或单元阵列的特征向量。 |
||||||||||||||||||||
|
方阵, 如果 CVModel。成本= CostMatrix; |
||||||||||||||||||||
|
旨在模型的名字,这是一个特征向量。 |
||||||||||||||||||||
|
用于旨在折叠的数量模型,它是一个正整数。 |
||||||||||||||||||||
|
对象持有的参数 |
||||||||||||||||||||
|
训练数据存储在观测的数量 |
||||||||||||||||||||
|
类的分区 |
||||||||||||||||||||
|
预测变量名称,指定为一个单元阵列的特征向量。元素的顺序 |
||||||||||||||||||||
|
每个类的先验概率数值向量。元素的顺序 如果 CVModel。之前= priorVector; |
||||||||||||||||||||
|
响应变量名称,指定为一个特征向量。 |
||||||||||||||||||||
|
分数变换,指定为一个特征向量或函数句柄。 改变分数转换函数
|
||||||||||||||||||||
|
训练有素的学习者,这是一个紧凑的分类模型的单元阵列。 |
||||||||||||||||||||
|
的比例 |
||||||||||||||||||||
|
一个矩阵或表的预测价值。 |
||||||||||||||||||||
|
分类或字符数组,逻辑或数值向量,或单元阵列的性格为每个观测向量指定类标签。每个条目的 |
对象的功能
收集 |
收集的属性统计和机器学习工具对象从GPU |
kfoldEdge |
分类旨在分类模型的边缘 |
kfoldLoss |
分类损失旨在分类模型 |
kfoldMargin |
分类利润率旨在分类模型 |
kfoldPredict |
观察在旨在分类模型进行分类 |
kfoldfun |
旨在功能分类 |
复制语义
价值。学习如何价值类影响复制操作,明白了复制对象。
例子
提示
估计后验概率的训练,旨在支持向量机分类器,使用fitSVMPosterior
。