主要内容

kfoldfun

交叉验证功能进行分类

折叠所有页面

    语法

    瓦尔斯= kfoldfun (CVMdl乐趣)

    描述

    例子

    瓦尔斯= kfoldfun (CVMdl，有趣的）旨在功能有趣的通过应用有趣的存储在交叉验证模型中的数据CVMdl．你必须通过有趣的作为函数句柄。

    例子

    全部折叠

    打开生活的脚本

    训练分类树分类器，然后使用自定义交叉验证k倍损失函数。

    载入费雪的虹膜数据集。

    负载fisheriris

    训练分类树分类器。

    Mdl = fitctree(量、种类);

    Mdl是一个ClassificationTree模型。

    旨在Mdl使用默认的10倍交叉验证。计算验证倍数观测的分类误差(误分类观测的比例)。

    rng (1);%的再现性CVMdl = crossval (Mdl);L = kfoldLoss (CVMdl,“LossFun”，“classiferror”）
    L = 0.0467

    将花错分类的代价为多色的是10，而任何其他分类错误的代价是1．创建自定义函数noversicolor(在本例的最后)。这个函数属性的代价10把花错分类为多色的的成本1任何其他错误的分类。

    计算的平均误分类误差noversicolor成本。

    意思是(kfoldfun (CVMdl @noversicolor))
    ans = 0.2267

    这段代码创建了这个函数noversicolor．

    函数averageCost = noversicolor (CMP, ~, ~, ~, Xtest,欧美,~)% noversicolor自定义交叉验证函数示例迷彩虹膜错误分类花费10，迷彩虹膜错误分类花费1%其他的虹膜。本示例函数需要fishiris数据%设置。Xtest Ypredict =预测(CMP);更进一步的=不(strcmp (Ypredict、欧美));%不同的结果classifiedAsVersicolor = strcmp (Ypredict,“多色的”）;错误决策指数成本= sum(误分类)+．..9 *和& classifiedAsVersicolor分类错误();%的总差异averageCost =成本/元素个数(欧美);平均误差百分比结束

    输入参数

    全部折叠

    交叉验证的模型，指定为ClassificationPartitionedModel对象,ClassificationPartitionedEnsemble对象,或ClassificationPartitionedGAM对象。

    交叉验证的函数，指定为函数句柄。有趣的语法:

    testvals =乐趣(CMP、Xtrain Ytrain, Wtrain, Xtest,欧美,wte)

    • CMP压缩模型是否存储在CVMdl.Trained财产。

    • Xtrain为预测值的训练矩阵。

    • Ytrain为响应值的训练数组。

    • Wtrain为观察的训练权重。

    • Xtest和欧美测试数据是否具有相关的权重wte．

    • 返回值testvals所有折叠的尺寸必须相同。

    数据类型:function_handle

    输出参数

    全部折叠

    交叉验证结果，以数字矩阵的形式返回。瓦尔斯包含testvals输出，垂直连接所有折叠。例如,如果testvals每个折叠都是一个长度的数字向量N，kfoldfun返回一个KFold——- - - - - -N数字矩阵，每折叠一行。

    数据类型:双

    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