句法

描述

vals = crossval（乐趣，x）对功能执行10倍交叉验证乐趣，应用于数据X。

乐趣是具有两个输入功能的函数处理，训练子集X那XTrain.，以及测试子集X那XTest.， 如下：

testval =有趣（xtrain，xtest）

每次被称为，乐趣应该使用XTrain.要适合模型，然后返回一些标准testval.计算在XTest.使用该拟合模型。

X可以是列向量或矩阵。行X对应观察;列对应于变量或功能。每一排val包含申请结果乐趣一个测试集。如果testval.是非标量值，横梁使用线性索引将其转换为行向量并存储在一行中val。

vals = crossval（乐趣，x，y，...）当数据存储在单独的变量中时使用X那y，......所有变量（列向量，矩阵或数组）必须具有相同数量的行。乐趣用训练子集调用X那y，......，后跟测试子集X那y， ... ， 如下：

testvals = fun（xtrain，ytrain，...，xtest，ytest，......）

MSE = Crossval（'MSE'，X，Y，'Predfun'，Predfun）回报MSE，一个标量包含一个10倍的交叉验证估计的函数的平均误差预先。X可以是列向量，矩阵或预测器数组。y是响应值的列向量。X和y必须具有相同数量的行。

预先是函数句柄调用训练子集X，训练子集y，以及测试子集X如下：

Yfit = Predfun（Xtrain，Ytrain，XTest）

每次被称为，预先应该使用XTrain.和ytrain.适合回归模型，然后在列向量中返回拟合值YFIT.。每一排YFIT.包含相应行的预测值XTest.。横梁计算之间的平方误差YFIT.和相应的响应测试集，并返回所有测试集中的整体均值。

MCR = Crossval（'MCR'，X，Y，'Predfun'，Predfun）回报MCR.，一个标量包含10倍交叉验证估计的错误分类率（错误分类样本的比例）的功能预先。矩阵X包含预测值值和向量y包含类标签。预先应该使用XTrain.和ytrain.适合分类模型并返回YFIT.作为预测的类标签XTest.。横梁计算之间的错误分类次数YFIT.和相应的响应测试集，并返回所有测试集的整体错误分类率。

val = crossval（标准，x1，x2，...，y，'predfun'，predfun）， 在哪里标准是'妈妈'或者'MCR'，返回具有预测值值的平均平均错误（用于回归模型）或错误分类率（用于分类模型）的交叉验证估计X1那X2，......以及分别，响应值或类标签y。X1那X2， ... 和y必须具有相同数量的行。预先是一个函数句柄调用训练子集X1那X2，......，训练子集y，以及测试子集X1那X2， ...， 如下：

YFIT = Predfun（X1Train，X2Train，...，Ytrain，X1Test，X2Test，......）

YFIT.应该是包含拟合值的列向量。

vals = crossval（...，'名称'，价值）指定下表中的一个或多个可选参数名称/值对。指定名称在单引号内。

只有一个kfold.那坚持那忽略， 或者划分可以指定，和划分无法指定分层。如果两者划分和mcreps.指定了，第一个Monte-Carlo重复使用分区信息CVPartition.对象，和重新开始调用方法以为每个剩余重复生成新分区。如果未指定交叉验证类型，则默认值为10倍交叉验证。

参考

扩展能力

也可以看看

CVPartition.