包裹:ClassReg.Learning.Partition.
交叉验证的分类模型
ClassificationededModel.
是一组在交叉验证折叠上培训的分类模型。使用一个或多个“kfold”方法,通过交叉验证估计分类的质量:Kfoldpredict
那Kfoldloss.
那Kfoldmargin.
那Kfoldedge
, 和kfoldfun.
。
每种“kfold”方法使用培训的模型在折叠的观察中预测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为五个大致相同的组。这训练折叠包含四个组(即,大约4/5的数据)和测试折叠包含其他组(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}
)使用最后四组中的观察,并保留第一个组中的观察结果进行验证。
该软件列举了第二种模型(存储在cvmdl.tromed {2}
)使用第一组和最后三组的观察,并保留第二组的观察结果进行验证。
软件以类似的方式进行第三到第五模型。
如果您通过致电验证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。
从分类模型创建交叉验证的分类模型(cvmdl.
= Crossval(MDL.
)MDL.
)。
或者:
cvdiscrmdl = fitcdiscr(x,y,名称,值)
cvknnmdl = fitcknn(x,y,名称,值)
cvnetmdl = fitcnet(x,y,名称,值)
cvnbmdl = fitcnb(x,y,名称,值)
cvsvmmdl = fitcsvm(x,y,名称,值)
cvtreemdl = fitctree(x,y,名称,值)
创建交叉验证的模型姓名
或者是'横向'
那'kfold'
那'坚持'
那'忽略'
, 或者'cvpartition'
。有关语法详细信息,请参阅fitcdiscr.
那Fitcknn.
那Fitcnet.
那Fitcnb.
那fitcsvm.
, 和fitctree
。
|
分类模型,指定为以下之一: |
|
数字预测器的Bin边缘,指定为单元数组P.数字向量,在哪里P.是预测器的数量。每个矢量包括用于数字预测器的箱边缘。用于分类预测器的单元阵列中的元素是空的,因为软件没有箱分类预测器。 只有在指定的情况下,软件箱体才能指定数字预测器 您可以重现Binned Predictor数据 x = mdl.x;%predictor数据xbinned = zeros(size(x));边缘= mdl.bineges;%查找箱预测因子的指数。idxnumeric = find(〜cellfun(@ isempty,边));如果是iscumn(idxnumeric)idxnumeric = idxnumeric';j = idxnumeric x = x(:,j);如果x是表,%将x转换为数组。如果是Istable(x)x = table2array(x);结束%X通过使用X进入垃圾箱
Xbinned. 包含单位,范围为1到箱数,用于数字预测器。Xbinned. 对于分类预测器,值为0。如果X 包含南 s,然后相应的Xbinned. 价值是南 s。 |
||||||||||||||||||||
|
分类预测索引指定为正整数的向量。假设预测器数据包含行中的观察, 如果 |
||||||||||||||||||||
|
用于培训模型的唯一类标签,指定为分类或字符阵列,逻辑或数字矢量或字符向量的单元格数组。 |
||||||||||||||||||||
|
方矩阵,在哪里 如果 cvmodel.cost = costmatrix; |
||||||||||||||||||||
|
交叉验证模型的名称,是字符向量。 |
||||||||||||||||||||
|
交叉验证模型中使用的折叠数,这是一个正整数。 |
||||||||||||||||||||
|
持有参数的对象 |
||||||||||||||||||||
|
存储在训练数据中的观察次数 |
||||||||||||||||||||
|
课程的分区 |
||||||||||||||||||||
|
预测器变量名称指定为字符向量的单元格数组。元素的顺序 |
||||||||||||||||||||
|
每个班级的先前概率的数字矢量。元素的顺序 如果 cvmodel.prior = praftvector; |
||||||||||||||||||||
|
响应变量名称,指定为字符向量。 |
||||||||||||||||||||
|
分数转换,指定为字符向量或功能句柄。 更改分数转换功能
|
||||||||||||||||||||
|
训练有素的学习者,它是紧凑型分类模型的单元格阵列。 |
||||||||||||||||||||
|
鳞片 |
||||||||||||||||||||
|
预测值的矩阵或表格。 |
||||||||||||||||||||
|
为每个观察指定类标签的分类或字符阵列,逻辑或数字矢量或字符向量的单元格数组。每一个条目 |
Kfoldedge |
交叉验证分类模型的分类边缘 |
Kfoldloss. |
交叉验证分类模型的分类损失 |
Kfoldmargin. |
交叉验证分类模型的分类边距 |
Kfoldpredict |
对交叉验证的分类模型进行分类观察 |
kfoldfun. |
交叉验证功能进行分类 |
价值。要了解值类如何影响复制操作,请参阅复制对象。
估计训练,交叉验证的SVM分类器的后验概率,使用fitsvmposterior.
。