文档帮助中心文档
在交叉验证的分类模型中对观察进行分类
标签= kfoldPredict (CVMdl)
标签= kfoldPredict (CVMdl IncludeInteractions, IncludeInteractions)
(标签,分数)= kfoldPredict (___)
[标签,分数,成本] = kfoldpredict(cvmdl)
例子
标签= kfoldPredict (cvmdl.)返回交叉验证的分类器预测的类标签cvmdl..每折,Kfoldpredict使用在训练折叠观察上训练的分类器预测验证折叠观察的类别标签。CVMdl。X和CVMdl。Y包含这两组观察。
标签= kfoldPredict (cvmdl.)
标签
cvmdl.
Kfoldpredict
CVMdl。X
CVMdl。Y
标签= kfoldPredict (cvmdl.,'incorment interaction',includeInteractions)指定是否在计算中包含交互项。此语法仅适用于广义可加模型。
标签= kfoldPredict (cvmdl.,'incorment interaction',includeInteractions)
includeInteractions
[标签,分数] = kfoldpredict(___)另外,返回预测的分类分数,用于使用在训练折叠观测上培训的分类器验证的验证 - 折叠观察,其中包含先前语法中的任何输入参数。
[标签,分数] = kfoldpredict(___)
分数
[标签,分数,成本] = kfoldpredict(cvmdl.)另外返回判别分析的预期错误分类成本,k-最近邻、朴素贝叶斯和树分类器。
[标签,分数,成本] = kfoldpredict(cvmdl.)
成本
全部收缩
使用鉴别分析模型的10倍交叉验证预测创建一个混淆矩阵。
加载渔民数据集。X包含了150种不同的花的尺寸y列出每种花的种类或类。创建一个变量命令这指定类的顺序。
渔民
X
y
命令
负载渔民X =量;y =物种;订单=独特(y)
订购=3x1细胞{'setosa'} {'versicolor'} {'virginica'}
建立一个10倍交叉验证的判别分析模型fitcdiscr.函数。默认情况下,fitcdiscr.确保训练集和测试集的花卉种类比例大致相同。指定花类的顺序。
fitcdiscr.
cvmdl = fitcdiscr(x,y,“KFold”10'classnames',命令);
预测测试花的种类。
predictedSpecies = kfoldPredict (cvmdl);
创建一个混淆矩阵,将真实的类值与预测的类值进行比较。
ConfusionChart(y,predatespecies)
找到基于Fisher虹膜数据的模型的交叉验证预测。
装载Fisher的Iris数据集。
负载渔民
使用Adaboostm2培训分类树的集合。将树桩指定为弱学习者。
RNG(1);重复性的%t = templatetree('maxnumsplits',1);mdl = fitcensemble(meas,speies,“方法”,“AdaBoostM2”,“学习者”t);
使用10倍交叉验证对训练的集合进行交叉验证。
cvmdl = crossval(mdl);
估算交叉验证预测标签和分数。
[Elabel,Escore] = KfoldPredict(CVMDL);
显示每个类的最大和最小分数。
马克斯(埃斯勒)
ans =.1×39.3862 8.9871 10.1866
MIN(埃斯科)
ans =.1×30.0018 3.8359 0.9573
ClassificationededModel.
ClassificationPartitionedEnsemble
Classificationededgam.
交叉验证的分区分类器,指定为ClassificationededModel.,ClassificationPartitionedEnsemble,或Classificationededgam.对象。你可以用两种方式创建对象:
通过下表中列出的训练有素的分类模型crossval对象的功能。
crossval
使用下表中列出的函数训练分类模型,并为该函数指定一个交叉验证名称-值参数。
ClassificationDiscriminant
分类素..
fitcensemble
Classificationgam.
fitcgam
ClassificationKNN
fitcknn
ClassificationNaiveBayes
Fitcnb.
ClassificationneuralKetwork.
fitcnet
分类VM.
fitcsvm.
ClassificationTree.
fitctree
真的
假
标志要包括模型的交互条款,指定为真的或者假.此参数仅适用于广义添加剂模型(GAM)。也就是说,只有在何时指定此参数cvmdl.是Classificationededgam..
默认值是真的如果模型cvmdl.(CVMdl。训练有素的)包含交互项。该值必须为假如果模型不包含交互术语。
CVMdl。训练有素的
数据类型:逻辑
逻辑
预测的类标签,作为分类向量、逻辑向量、数字向量、字符数组或字符向量的单元格数组返回。标签具有相同的数据类型和行数为CVMdl。Y.每个条目的标签对应于相应观察的预测类标签CVMdl。X.
如果你使用抵抗者验证技术来创建cvmdl.(也就是说,如果CVMdl。KFold是1),然后忽略标签训练折叠观测值。这些值与频率最高的类匹配。
CVMdl。KFold
1
分级分数,作为一个返回n-经过-K矩阵,其中n是观察人数(尺寸(cvmdl.x,1)当观察是行数时)和K是唯一类的数量(尺寸(CVMdl.ClassNames, 1)).分类分评分(i, j)代表着令人信心我这是属于一类的观察j.
尺寸(cvmdl.x,1)
尺寸(CVMdl.ClassNames, 1)
评分(i, j)
我
j
如果你使用抵抗者验证技术来创建cvmdl.(也就是说,如果CVMdl。KFold是1), 然后分数有南训练折叠观测值。
南
预期的错误分类成本,作为一个返回n-经过-K矩阵,其中n是观察人数(尺寸(cvmdl.x,1)当观察是行数时)和K是唯一类的数量(尺寸(CVMdl.ClassNames, 1)).的值成本(i,j)预测的平均误分类成本是我这是属于一类的观察j.
成本(i,j)
请注意
如果要返回此输出参数,cvmdl.必须是判别分析,k-最近邻、朴素贝叶斯或树分类器。
如果你使用抵抗者验证技术来创建cvmdl.(也就是说,如果CVMdl。KFold是1), 然后成本有南训练折叠观测值。
Kfoldpredict计算相应的预测预测对象的功能。有关特定于模型的描述,请参阅适当的预测函数参考页下表。
预测
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:
用fitcensemble
k- 最终邻居分类器培训fitcknn
金宝app支持向量机分类器训练fitcsvm.
用于多款分类的二进制决策树fitctree
有关更多信息,请参阅在GPU上运行MATLAB函数(并行计算工具箱).
ClassificationededModel.|kfoldEdge|Kfoldmargin.|kfoldLoss|kfoldfun.
kfoldEdge
Kfoldmargin.
kfoldLoss
kfoldfun.
您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?
你点击一个链接对应于这个MATLAB命令:
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,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:.
您还可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
联系您当地的办公室