文件帮助中心文件
交叉验证分类模型的分类裕度
M = kfoldMargin (CVMdl)
m = kfoldmargin(cvmdl,'includeinteraitts',include interaction)
例子
M.= kfoldmargin(CVMdl的)回报分类边距由交叉验证的分类模型获得CVMdl.每折,kfoldMargin使用培训折叠观测的分类器计算用于验证折叠观测的分类边距。cvmdl.x.和cvmdl.y.包含两组观察结果。
M.= kfoldmargin(CVMdl的)
M.
CVMdl
kfoldMargin
cvmdl.x.
cvmdl.y.
M.= kfoldmargin(CVMdl,'incormentinteraitts',internate interaction.的)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。
M.= kfoldmargin(CVMdl,'incormentinteraitts',internate interaction.的)
internate interaction.
全部收缩
找出K.- 为分类的合奏的边距电离层数据。
电离层
加载电离层数据集。
加载电离层
创建模板树桩。
t = templateTree (“MaxNumSplits”1);
培训决策树的分类集合。指定T.作为弱学习者。
T.
Mdl = fitcensemble (X, Y,'方法'那'adaboostm1'那'学习者',t);
使用10倍交叉验证交叉验证分类器。
cvens = crossval(mdl);
计算k折边距。显示页边距的汇总统计信息。
m = kfoldmargin(cvens);Marginstats =桌子(min(m),平均值(m),max(m),......'variablenames',{'min'那“的意思是”那'最大限度'})
Marginstats =1×3表最小的意思是最大 _______ ______ ______ - 11.312 7.3236 23.517
ClassificationPartitionedModel.
分类分类议员
ClassificationPartitionedGAM
交叉验证的分区分类器,指定为aClassificationPartitionedModel.那分类分类议员, 或者ClassificationPartitionedGAM目的。您可以通过两种方式创建对象:
将下表中列出的训练过的分类模型传递给它横梁对象功能。
横梁
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之一。
分类Discriminant.
fitcdiscr
ClassificationEnsemble
fitcensemble.
ClassificationGAM
Fitcgam.
ClassificationKnn.
Fitcknn.
ClassificationniveBayes.
fitcnb
ClassIciationneuralNetwork.
Fitcnet.
ClassificationSVM
fitcsvm
ClassificationTree
fitctree
真正的
错误的
标记以包含模型的交互术语,指定为真正的或错误的.此论证仅对广义可加模型(GAM)有效。也就是说,您只能指定此参数CVMdl是ClassificationPartitionedGAM.
默认值是真正的如果模型CVMdl(cvmdl.train)包含交互条款。价值必须是错误的如果模型不包含交互项。
cvmdl.train
数据类型:逻辑
逻辑
分类的利润率,作为数字向量返回。M.是一个N.- 1个向量,每行是相应观察的边际和N.是观察人数。(N.是尺寸(cvmdl.x,1)当观察结果排成一行时。)
尺寸(cvmdl.x,1)
如果您使用HoldOut验证技术来创建CVMdl(即,如果cvmdl.kfold.是1), 然后M.已南培训折叠观察的值。
cvmdl.kfold.
1
南
这分类保证金二元分类是,对于每个观察,真实类的分类分数与虚假类的分类分数之间的差值。这分类保证金对于多字母分类,是真实类的分类分数与虚假类的最大分数之间的差异。
如果边距在相同的范围内(即,得分值基于相同的分数转换),则它们作为分类置信度量。在多个分类器中,产生更大的边缘的人更好。
kfoldMargin按照相应的方法计算分类边缘利润对象功能。对于特定于模型的描述,请参阅相应的描述利润函数参考页面在下表中。
利润
使用说明和限制:
此功能完全支持以下交叉验证模型对象的GP金宝appU阵列:
合奏分类器培训fitcensemble.
K.训练的最近邻分类器Fitcknn.
金宝app支持向量机器分类器培训fitcsvm
用于多类分类的二叉决策树fitctree
有关更多信息,请参见在GPU上运行matlab函数(并行计算工具箱).
ClassificationPartitionedModel.|Kfoldpredict.|Kfoldedge|kfoldloss.|kfoldfun
Kfoldpredict.
Kfoldedge
kfoldloss.
kfoldfun
您拥有此示例的修改版本。您是否希望使用您的编辑打开此示例?
您单击了与此MATLAB命令对应的链接:
在MATLAB命令窗口中输入它来运行命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站,以便在可用的地方进行翻译内容,并查看本地活动和优惠。根据您的位置,我们建议您选择:.
你也可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获得最佳网站性能。其他MathWorks国家网站未优化您所在地的访问。
联系您当地的办公室