加载电离层数据集。该数据集有34个预测器和351个雷达返回的二进制响应，或坏(“b”)还是好(‘g’）.

负载电离层rng（1）；%为了再现性

训练支持向量机（金宝appSVM）分类器。标准化预测数据并指定类的顺序。

SVMModel = fitcsvm (X, Y,“标准化”,真的,“类名”, {“b”，‘g’}）;

SVMModel是一个培训分类VM分类器。“b”是否定类和否定类‘g’是积极类。

使用10倍交叉验证对分类器进行交叉验证。

CVSVMModel = crossval (SVMModel)

CVSVMModel = ClassificationPartitionedModel CrossValidatedModel: 'SVM' PredictorNames: {1x34 cell} ResponseName: 'Y' NumObservations: 351 KFold: 10 Partition: [1x1 cvpartition] ClassNames: {'b' ' 'g'} ScoreTransform: 'none'属性，方法

CVSVMModel是一个ClassificationPartitionedModel交叉验证分类器。在交叉验证期间，软件完成以下步骤：

在中显示第一个模型CVSVMModel。训练有素的．

FirstModel = CVSVMModel。训练有素的{1}

FirstModel=CompactClassificationSVM ResponseName:'Y'分类预测值：[]类名：{'b''g'}ScoreTransform:'none'Alpha:[78x1 double]偏差：-0.2209内核参数：[1x1结构]Mu:[1x34双]西格玛：[1x34双]支持向量：[78x34双]支持向量标签：[78x1双]属性、方法金宝app

FirstModel是10个训练有素的分类器中的第一个。这是一个CompactClassificationSVM分类器。

你可以通过传递来估计泛化误差CVSVMModel来kfoldLoss．

指定用于交叉验证的坚持样本比例。默认情况下,crossval使用10倍交叉验证来交叉验证朴素贝叶斯分类器。不过，您还有其他几个交叉验证选项。例如，您可以指定不同的折叠数量或坚持层样本比例。

加载电离层数据集。该数据集有34个预测器和351个雷达返回的二进制响应，或坏(“b”)还是好(‘g’）.

负载电离层

删除前两个预测稳定性的指标。

X = X(:, 3:结束);rng (“默认”）;%为了再现性

使用预测器训练朴素贝叶斯分类器X和类标签Y．推荐的做法是指定类名。“b”是否定类和否定类‘g’是积极类。fitcnb假设每个预测器都是有条件的正态分布。

Mdl = fitcnb (X, Y,“类名”, {“b”，‘g’}）;

Mdl是一个培训ClassificationNaiveBayes分类器。

通过指定30%的拒绝样本来交叉验证分类器。

CVMdl = crossval (Mdl,“坚持”, 0.3)

CVMdl = ClassificationPartitionedModel CrossValidatedModel: 'NaiveBayes' PredictorNames: {1x32 cell} ResponseName: 'Y' NumObservations: 351 KFold: 1 Partition: [1x1 cvpartition] ClassNames: {'b' ' 'g'} ScoreTransform: 'none'属性，方法

CVMdl是一个ClassificationPartitionedModel交叉验证的朴素贝叶斯分类器。

显示使用70%的数据训练的分类器的属性。

TrainedModel=CVMdl.Trained{1}

TrainedModel=CompactClassificationNaiveBayes ResponseName:'Y'分类预测值：[]类名称：{'b''g'}ScoreTransform:'none'分配名称：{1x32 cell}分配参数：{2x32 cell}属性、方法

TrainedModel是一个CompactClassificationNaiveBayes分类器。

通过传递估计泛化误差CVMdl来kfoldloss．

kfoldLoss (CVMdl)

ans = 0.2095

样本外误分类误差约为21%。

通过选择五个最重要的预测因子来减少泛化误差。

idx = fscmrmr (X, Y);Xnew = X (:, idx (1:5));

为新的预测器训练朴素贝叶斯分类器。

Mdlnew = fitcnb (Xnew Y“类名”, {“b”，‘g’}）;

通过指定30%的保持率样本交叉验证新分类器，并估计泛化误差。

CVMdlnew = crossval (Mdlnew,“坚持”, 0.3);kfoldLoss (CVMdlnew)

ans = 0.1429

样本外误分类误差从约21%降至约14%。

利用该方法训练回归广义可加模型fitrgam，并创建一个交叉验证的GAMcrossval和拒绝选项。然后，使用kfoldPredict使用训练叠观察训练的模型预测验证叠观察的反应。

加载患者数据集。

负载患者

创建一个包含预测变量的表(年龄，舒张期，吸烟者，重量，性别，自我评估健康状况)和响应变量(收缩压）.

tbl=表格（年龄、舒张压、吸烟者、体重、性别、自我评估健康状况、收缩压）；

训练一个包含预测因子线性项的GAM。

Mdl = fitrgam(资源描述,“收缩”）;

Mdl是一个回归Gam模型对象。

通过指定30%的保持率样本交叉验证模型。

rng (“默认”）%为了再现性CVMdl = crossval (Mdl,“坚持”, 0.3)

CVMdl = RegressionPartitionedGAM CrossValidatedModel: 'GAM' PredictorNames: {1x6 cell} CategoricalPredictors: [3 5 6] ResponseName: 'Systolic' NumObservations: 100 KFold: 1 Partition: [1x1 cvpartition] NumTrainedPerFold: [1x1 struct] ResponseTransform: 'none'属性，方法

的crossval函数创建一个RegressionPartitionedGAM模型对象CVMdl选择“钉鞋”。在交叉验证期间，软件完成以下步骤:

属性可以选择不同的交叉验证设置“CrossVal”，“CVPartition”，“KFold”,或“Leaveout”名称值参数。

使用kfoldPredict。该函数通过使用在训练折叠观察上训练的模型预测验证折叠观察的响应。该函数指定南到训练折叠观察。

yFit = kfoldPredict (CVMdl);

找到验证折叠观察索引，并创建一个包含观察索引、观察响应值和预测响应值的表。显示表的前八行。

idx =找到(~ isnan (yFit));t =表(idx tbl.Systolic (idx) yFit (idx),．..“VariableNames”, {“Obseraction指数”，的观测值，的预测价值}）;头(t)

ans=8×3表观测指标观测值预测值(uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu1240.22117.05 20 125.82 22 123 116.99 114 107 24 122.52

计算验证倍数观测的回归误差(均方误差)。

L=kfoldLoss（CVMdl）

L = 43.8715