包:classreg.learning.partition
超类:ClassificationPartitionedModel
用于高维数据多类分类的交叉验证线性纠错输出码模型
ClassificationPartitionedLinearECOC
是一组由线性分类模型组成的纠错输出码(ECOC)模型,在交叉验证褶皱上训练。使用一个或多个“kfold”函数进行交叉验证,估计分类的质量:kfoldPredict
,kfoldLoss
,Kfoldmargin.
,kfoldEdge
.
每一种“kfold”方法都使用在折叠观测中训练的模型来预测折叠观测的响应。例如,假设您使用5倍交叉验证。在这种情况下,软件将每个观察结果随机分成五个大小大致相同的组。的培训褶皱包含四组(即大约4/5的数据)和测试褶皱包含另一组(即大约1/5的数据)。在本例中,交叉验证按如下步骤进行。
软件训练第一个模型(存储在CVMdl。训练有素的{1}
),使用后四组的观察结果,保留第一组的观察结果作验证。
软件训练第二个模型(存储在CVMdl。训练有素的{2}
),使用第一组和最后三组的观察结果。该软件保留第二组的观察结果以供验证。
对于第三、第四和第五种模型,软件以类似的方式进行。
如果您通过调用kfoldPredict
,它使用第一个模型,第2组用于第二模型的第1组的观察的预测,等等。简而言之,软件估计使用没有该观察的模型训练的模型对每个观察的响应。
请注意
ClassificationPartitionedLinearECOC
模型对象不存储预测数据集。
CVMdl = fitcecoc (X, Y,“学习者”,t,名称,值)
返回一个交叉验证的线性ECOC模型:
t
是“线性”
或返回的模板对象templateLinear
.
的名字
是其中之一“CrossVal”
,“CVPartition”
,“坚持”
,或“KFold”
.
有关详细信息,请参见fitcecoc
.
kfoldEdge | 未用于训练的观测值的分类边缘 |
kfoldLoss | 训练中未使用的观察值的分类损失 |
Kfoldmargin. | 训练中未使用的观察值的分类边距 |
kfoldPredict | 预测未用于培训的观察标签 |
价值。要了解值类如何影响复制操作,请参见复制对象.