文档帮助中心文档
交叉验证分类模型的分类裕度
M = kfoldMargin (CVMdl)
M = kfoldMargin (CVMdl IncludeInteractions, IncludeInteractions)
例子
米= kfoldMargin (CVMdl)返回分类的利润率通过交叉验证的分类模型得到CVMdl.对于每一个褶皱,kfoldMargin使用在训练折叠观测数据上训练的分类器计算验证折叠观测数据的分类边距。CVMdl。X和CVMdl。Y包含两组观察结果。
米= kfoldMargin (CVMdl)
米
CVMdl
kfoldMargin
CVMdl。X
CVMdl。Y
米= kfoldMargin (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。
米= kfoldMargin (CVMdl“IncludeInteractions”,includeInteractions)
includeInteractions
全部折叠
找到k-折叠边距的集合,分类电离层数据。
电离层
加载电离层数据集。
负载电离层
创建一个模板树桩。
t = templateTree (“MaxNumSplits”1);
训练决策树的分类集成。指定t作为弱学习者。
t
Mdl = fitcensemble (X, Y,“方法”,“AdaBoostM1”,“学习者”t);
使用10倍交叉验证对分类器进行交叉验证。
cvens = crossval (Mdl);
计算k折边距。显示页边距的汇总统计信息。
m = kfoldMargin (cvens);marginStats =表(min (m),意味着(m),马克斯(m),...“VariableNames”, {“最小值”,“的意思是”,“马克斯”})
marginStats =1×3表最小的意思是最大 _______ ______ ______ - 11.312 7.3236 23.517
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
fitcdiscr
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
分类的利润率,作为数字向量返回。米是一个n-by-1向量,其中每一行是相应观测值和的边距n为观察次数。(n是尺寸(CVMdl.X, 1)当观察结果排成一行时。)
尺寸(CVMdl.X, 1)
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),然后米有南训练折叠观测值。
CVMdl。KFold
1
南
的分类保证金二元分类是,对于每个观察,真实类的分类分数与虚假类的分类分数之间的差值。的分类保证金多类分类是真实类的分类分数与错误类的最大分类分数的差值。
如果边界在相同的尺度上(即,得分值基于相同的得分转换),那么它们将作为分类置信度度量。在众多分类公司中,那些利润率更高的公司表现更好。
kfoldMargin按照相应的方法计算分类边缘保证金对象的功能。有关特定于模型的描述,请参阅适当的保证金函数参考页下表。
保证金
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|kfoldPredict|kfoldEdge|kfoldLoss|kfoldfun
kfoldPredict
kfoldEdge
kfoldLoss
kfoldfun
您有这个示例的修改版本。您想打开这个示例与您的编辑吗?
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝app
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