多类分类的交叉验证核纠错输出码模型
classificationededkernelecoc.
是由内核分类模型组成的纠错输出代码(ECOC)模型,培训交叉验证折叠。使用一个或多个“kfold”功能通过交叉验证估计分类的质量:Kfoldpredict
,Kfoldloss.
,Kfoldmargin.
, 和kfoldEdge
.
每个“Kfold”方法使用培训的模型培训(折叠)观察,以预测验证折叠(折叠)观察的响应。例如,假设您使用五个折叠交叉验证。在这种情况下,软件随机将每个观察分配成五组相等大小(大致)。这培训褶皱包含四组(即大约4/5的数据)和验证折叠包含其他组(即,大约1/5的数据)。在这种情况下,交叉验证进行如下:
该软件列举了第一个模型(存储在cvmdl.tromed {1}
),并保留第一组的观测值作验证。
该软件列举了第二种模型(存储在CVMdl。Trained{2}
)使用第一组和最后三组的观察。该软件储备在第二组中的观察结果进行验证。
该软件以类似的方式进行第三,第四和第五型号。
如果使用使用Kfoldpredict
,该软件计算对组中的观察的预测我通过使用我模型。简而言之,软件通过使用没有该观察的模型训练来估计每个观察的响应。
请注意
classificationededkernelecoc.
模型对象不存储预测数据集。
你可以创建一个classificationededkernelecoc.
通过培训ECOC模型使用fitcecoc.
并指定这些名称值对参数:
“学习者”
—设置为'核心'
,返回的模板对象templateKernel
或这种模板对象的单元阵列。
其中一个论点是“CrossVal”
,'cvpartition'
,'坚持'
,'kfold'
, 或者“Leaveout”
.
有关更多详细信息,请参阅fitcecoc.
.
kfoldEdge |
交叉验证内核模型的分类边 |
Kfoldloss. |
交叉验证核ECOC模型的分类损失 |
Kfoldmargin. |
交叉验证内核模型的分类边距 |
Kfoldpredict |
在交叉验证的内核ECOC模型中分类观察 |