cvshrink

线性判别式的交叉验证正则化

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（对象、名称、值）

描述

犯错误= 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。

［犯错误，γ]=cvshrink(obj）还返回伽马值的向量。

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

［犯错误，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。

［犯错误，…]=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、值配对参数。

输入参数

obj

判别分析分类器，产生使用fitcdiscr．

名称-值对参数

指定可选的逗号分隔的对名称、值论据。的名字参数名和价值是对应的值。的名字必须出现在引号内。您可以按任意顺序指定多个名称和值对参数，如下所示：名称1，值1，…，名称，值．

`“三角洲”`	标量`δ`- - - - - -`cvshrink`使用的此值`δ`每个值`γ`正则化。行向量`δ`-每人`我`和`j`，`cvshrink`使用`δ（j）`与`伽马(我)`正则化。矩阵`δ`-表的行数`δ`必须等于元素的个数`γ`.每人`我`和`j`，`cvshrink`使用`δ(i, j)`与`伽马(我)`正则化。默认值:`0`
`“伽马”`	交叉验证的伽马值向量。默认值:`0:0.1:1`
`“努姆德尔塔”`	交叉验证的增量间隔数。对于每个伽马值，`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`伽马值，均匀间隔于`MinGamma`来`1`.如果你`γ`，`cvshrink`忽略了`NumGamma`．默认值:`10`
`“冗长”`	长度级别，一个整数`0`来`2`。值越高，显示的进度消息越多。默认值:`0`

输出参数

`犯错误`	误差的数值向量或矩阵。`犯错误`是误分类错误率，表示所有折叠中误分类数据的平均分数。如果`δ`是标量(默认)，`错误（一）`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`δ（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．如果你给这个函数一个标量`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`δ（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`	数值向量或矩阵，包含各种正则化下模型中预测值的数量。`numpred`有相同的尺寸`犯错误`．如果`δ`是标量(默认)，`numpred（一）`是的预测数`obj`正规化和`伽马(我)`和`δ`．如果`δ`是一个矢量,`numpred（i，j）`是的预测数`obj`正规化和`伽马(我)`和`δ（j）`．如果`δ`是一个矩阵,`numpred（i，j）`是的预测数`obj`正规化和`伽马(我)`和`δ(i, j)`．

例子

全部展开

使用多个预测器对数据进行正则化

打开实时脚本

正则化判别分析分类器，并查看模型中预测值的数量和分类精度之间的权衡。

创建一个线性判别分析分类器卵巢癌数据。设置保存内存和填充系数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,．..“保存内存”，“上”，“FillCoeffs”，“关”）;

使用10个级别的伽马射线和10级δ搜索好的参数。此搜索非常耗时。设置冗长的来1查看进度。

rng(“默认”）%的再现性[err，gamma，delta，numpred]=cvshrink（obj，．..“NumGamma”9“努姆德尔塔”9“冗长”,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 (“预测值的数量”）;

图中包含一个坐标轴。轴包含10个线型对象。

提示

检查犯错误和numpred输出以查看交叉验证误差和预测值数量之间的折衷。当您找到满意的点时，设置相应的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