主要内容

Kfoldpredict

在交叉验证的分类模型中对观察进行分类

折叠所有页面

    语法

    标签= kfoldPredict (CVMdl)
    标签= kfoldPredict (CVMdl IncludeInteractions, IncludeInteractions)
    (标签,分数)= kfoldPredict (＿＿＿）
    [标签，分数，成本] = kfoldpredict（cvmdl）

    描述

    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.，'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。

    例子

    ［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，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。

    例子

    全部收缩

    打开直播脚本

    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。

    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。

    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）

    图包含ConfusionMatrixChart类型的对象。

    打开直播脚本

    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

    输入参数

    全部收缩

    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。

    • 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。

    分类模型 功能
    ClassificationDiscriminant fitcdiscr.
    分类素.. fitcensemble
    Classificationgam. fitcgam
    ClassificationKNN fitcknn
    ClassificationNaiveBayes Fitcnb.
    ClassificationneuralKetwork. fitcnet
    分类VM. fitcsvm.
    ClassificationTree. fitctree

    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。

    数据类型:逻辑

    输出参数

    全部收缩

    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。

    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．

    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。

    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．

    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。

    算法

    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。

    模型类型 预测功能
    判别分析分类器 预测
    集成分类器 预测
    广义可加模型分类器 预测
    k- 最终邻居分类器 预测
    天真的贝叶斯分类器 预测
    神经网络分类器 预测
    金宝app支持向量机器分类器 预测
    多包分类的二进制决策树 预测

    扩展功能

    另请参阅

    ||||

    在R2011A介绍

    统计和机器学习工具箱文档

    金宝app

    掌握机器学习:一步一步的指导与MATLAB

    掌握机器学习:一步一步的指导与MATLAB

    下载电子书