主要内容

kfoldMargin

交叉验证分类模型的分类裕度

在页面上崩溃

    句法

    M = kfoldMargin (CVMdl)
    m = kfoldmargin（cvmdl，'includeinteraitts'，include interaction）

    描述

    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，'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。

    例子

    全部收缩

    打开生活的脚本

    找出K.- 为分类的合奏的边距电离层数据。

    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。

    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

    输入参数

    全部收缩

    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。

    • 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。

    分类模型 函数
    分类Discriminant. fitcdiscr
    ClassificationEnsemble fitcensemble.
    ClassificationGAM Fitcgam.
    ClassificationKnn. Fitcknn.
    ClassificationniveBayes. fitcnb
    ClassIciationneuralNetwork. Fitcnet.
    ClassificationSVM fitcsvm
    ClassificationTree fitctree

    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。

    数据类型：逻辑

    输出参数

    全部收缩

    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。)

    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。

    更多关于

    全部收缩

    分类保证金

    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。

    算法

    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。

    模型类型 利润函数
    判别分析分类器 利润
    合奏分类器 利润
    广义添加剂模型分类器 利润
    K.最近的邻居分类器 利润
    天真的贝母分类器 利润
    神经网络分类器 利润
    金宝app支持向量机分类器 利润
    用于多类分类的二叉决策树 利润

    扩展能力

    也可以看看

    ||||

    介绍了R2011a

    统计和机器学习工具箱文档

    金宝app

    掌握机器学习：使用MATLAB逐步指南

    掌握机器学习：使用MATLAB逐步指南

    下载电子书