主要内容

Kfoldpredict

对交叉验证的分类模型进行分类观察

页面上倒塌

    句法

    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）

    描述

    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.，'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。

    例子

    [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。

    例子

    全部收缩

    打开直播脚本

    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。

    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。

    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）

    图包含ConfusionMatrixChart类型的对象。

    打开直播脚本

    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

    输入参数

    全部收缩

    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。

    • 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。

    分类模型 功能
    分类Discriminant. fitcdiscr.
    分类素.. fitcensemble.
    Classificationgam. Fitcgam.
    ClassificationKnn. Fitcknn.
    ClassificationniveBayes. Fitcnb.
    ClassificationneuralKetwork. Fitcnet.
    分类VM. fitcsvm.
    ClassificationTree. fitctree

    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。

    数据类型：逻辑

    输出参数

    全部收缩

    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。

    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。

    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。

    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。

    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。

    算法

    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。

    模型类型 预测功能
    判别分析分类器 预测
    合奏分类器 预测
    广义添加剂模型分类器 预测
    K.- 最终邻居分类器 预测
    天真的贝叶斯分类器 预测
    神经网络分类器 预测
    金宝app支持向量机器分类器 预测
    多包分类的二进制决策树 预测

    扩展能力

    也可以看看

    ||||

    在R2011A介绍

    统计和机器学习工具箱文档

    金宝app

    掌握机器学习：使用MATLAB逐步指南

    掌握机器学习：使用MATLAB逐步指南

    下载电子书