文件帮助中心文件
对交叉验证的分类模型进行分类观察
标签= kfoldpredict(cvmdl)
标签= kfoldpredict(cvmdl,'incormentinteraitts',包括interactions)
[标签,分数] = kfoldpredict(___)
[标签,分数,成本] = kfoldpredict(cvmdl)
例子
标签= kfoldpredict(cvmdl.)返回交叉验证分类器预测的类标签cvmdl.。每折,Kfoldpredict使用在训练 - 折叠观测上培训的分类器预测验证折叠观测的类标签。cvmdl.x.和cvmdl.y.包含这两组观察。
标签= kfoldpredict(cvmdl.)
标签
cvmdl.
Kfoldpredict
cvmdl.x.
cvmdl.y.
标签= kfoldpredict(cvmdl.,'incorment interaction',internate interaction.)指定是否包括计算中的交互术语。该语法仅适用于广义添加剂模型。
标签= kfoldpredict(cvmdl.,'incorment interaction',internate interaction.)
internate interaction.
[标签那分数] = kfoldpredict(___)另外,返回预测的分类分数,用于使用在训练折叠观测上培训的分类器验证的验证 - 折叠观察,其中包含先前语法中的任何输入参数。
[标签那分数] = kfoldpredict(___)
分数
[标签那分数那成本] = kfoldpredict(cvmdl.)另外返回判别分析的预期错误分类成本,K.- 最邻居,天真的贝叶斯和树木分类器。
[标签那分数那成本] = kfoldpredict(cvmdl.)
成本
全部收缩
使用判别分析模型的10倍交叉验证预测来创建混淆矩阵。
加载渔民数据集。X包含150种不同花的花测量,y列出每种花的物种或类。创建一个变量命令这指定类的顺序。
渔民
X
y
命令
加载渔民x = meas;y =物种;订单=独特(Y)
订购=3x1细胞{'setosa'} {'versicolor'} {'virginica'}
通过使用通过使用10倍交叉验证的判别分析模型fitcdiscr.功能。默认情况下,fitcdiscr.确保培训和测试集具有大致相同的花卉物种比例。指定花卉类的顺序。
fitcdiscr.
cvmdl = fitcdiscr(x,y,'kfold'10,'classnames',命令);
预测测试套装的种类。
predatespecies = kfoldpredict(cvmdl);
创建一个混淆矩阵,将真实类值与预测类值进行比较。
ConfusionChart(y,predatespecies)
找到基于Fisher虹膜数据的模型的交叉验证预测。
装载Fisher的Iris数据集。
加载渔民
使用Adaboostm2培训分类树的集合。将树桩指定为弱学习者。
RNG(1);重复性的%t = templatetree('maxnumsplits',1);mdl = fitcensemble(meas,speies,'方法'那'adaboostm2'那'学习者',t);
使用10倍交叉验证交叉验证培训的合奏。
cvmdl = crossval(mdl);
估算交叉验证预测标签和分数。
[Elabel,Escore] = KfoldPredict(CVMDL);
显示每个类的最大和最小分数。
马克斯(埃斯勒)
ans =.1×39.3862 8.9871 10.1866
MIN(埃斯科)
ans =.1×30.0018 3.8359 0.9573
ClassificationededModel.
分类分类型
Classificationededgam.
交叉验证的分区分类器,指定为aClassificationededModel.那分类分类型, 或者Classificationededgam.目的。您可以通过两种方式创建对象:
通过下表中列出的训练有素的分类模型横梁对象功能。
横梁
使用下表中列出的函数列出分类模型,并指定该函数的交叉验证名称 - 值参数之一。
分类Discriminant.
分类素..
fitcensemble.
Classificationgam.
Fitcgam.
ClassificationKnn.
Fitcknn.
ClassificationniveBayes.
Fitcnb.
ClassificationneuralKetwork.
Fitcnet.
分类VM.
fitcsvm.
ClassificationTree.
fitctree
真的
错误的
标志要包括模型的交互条款,指定为真的或者错误的。此参数仅适用于广义添加剂模型(GAM)。也就是说,只有在何时指定此参数cvmdl.是Classificationededgam.。
默认值是真的如果模型cvmdl.(cvmdl.tromed.)包含交互条款。价值必须是错误的如果模型不包含交互术语。
cvmdl.tromed.
数据类型:逻辑
逻辑
预测类标签,作为字符向量,逻辑向量,数字矢量,字符数组或字符向量阵列返回。标签具有相同的数据类型和行数为cvmdl.y.。每一个条目标签对应于相应观察的预测类标签cvmdl.x.。
如果使用HoldOut验证技术来创建cvmdl.(即,如果cvmdl.kfold.是1),然后忽略标签培训折叠观测值。这些值与具有最高频率的类匹配。
cvmdl.kfold.
1
分级分数,作为一个返回N-经过-K.矩阵,其中N是观察人数(尺寸(cvmdl.x,1)当观察是行数时)和K.是唯一类的数量(大小(cvmdl.classnames,1))。分类得分得分(i,j)代表着令人信心一世观察属于课堂j。
尺寸(cvmdl.x,1)
大小(cvmdl.classnames,1)
得分(i,j)
一世
j
如果使用HoldOut验证技术来创建cvmdl.(即,如果cvmdl.kfold.是1), 然后分数已南培训折叠观测值。
南
预期的错误分类成本,作为一个返回N-经过-K.矩阵,其中N是观察人数(尺寸(cvmdl.x,1)当观察是行数时)和K.是唯一类的数量(大小(cvmdl.classnames,1))。价值成本(i,j)是预测这一点的平均错误分类成本一世观察属于课堂j。
成本(i,j)
笔记
如果要返回此输出参数,cvmdl.必须是判别分析,K.最终邻居,天真的贝叶斯或树分类器。
如果使用HoldOut验证技术来创建cvmdl.(即,如果cvmdl.kfold.是1), 然后成本已南培训折叠观测值。
Kfoldpredict计算相应中所述的预测预测对象功能。对于特定于模型的描述,请参阅相应的预测函数参考页面在下表中。
预测
使用说明和限制:
此功能支持金宝appK.- 最终邻居和SVM模型对象,配有GPU阵列输入参数。
有关更多信息,请参阅在GPU上运行matlab函数(并行计算工具箱)。
ClassificationededModel.|Kfoldedge|kfoldfun.|Kfoldloss.|Kfoldmargin.
Kfoldedge
kfoldfun.
Kfoldloss.
Kfoldmargin.
您有此示例的修改版本。您是否希望使用您的编辑打开此示例?
您单击了与此MATLAB命令对应的链接:
在MATLAB命令窗口中输入它来运行命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站,以便在可用的地方进行翻译的内容,并查看本地活动和优惠。根据您的位置,我们建议您选择:。
您还可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。
联系您当地的办公室