文档帮助中心文档
预测未用于训练的观察结果的反应
YHat = kfoldPredict (CVMdl)
例子
YHat= kfoldPredict (CVMdl)通过交叉验证的线性回归模型返回交叉验证的预测响应CVMdl.也就是说,对于每一次折叠,kfoldPredict预测当它使用所有其他观察进行训练时,对观察结果的反应。
YHat= kfoldPredict (CVMdl)
YHat
CVMdl
kfoldPredict
YHat包含组成的线性回归模型中每个正规化强度的预测响应CVMdl.
全部展开
RegressionPartitionedLinear
交叉验证的,线性回归模型,指定为RegressionPartitionedLinear模型对象。您可以创建RegressionPartitionedLinear模型使用fitrlinear并指定任意一个交叉验证参数,例如名称-值对参数,CrossVal.
fitrlinear
CrossVal
为了获得估计,kfoldPredict应用了用于交叉验证线性回归模型的相同数据(X和Y).
X
Y
交叉验证的预测响应,返回为n——- - - - - -l数字数组。n是在预测器中产生的观测数据的数量吗CVMdl(见X),l正规化强度的数量在吗CVMdl.Trained {1} .Lambda.YHat (我,j)预测的反应是观察结果吗我采用具有正规化强度的线性回归模型CVMdl.Trained {1} .Lambda (j).
CVMdl.Trained {1} .Lambda
YHat (我,j)
我
j
CVMdl.Trained {1} .Lambda (j)
利用正则化强度模型预测响应j是 y ^ j = x β j + b j .
x是来自预测数据矩阵的观察吗X,为行向量。
β j 为估计的系数列向量。软件将这个向量存储在其中Mdl。β(:,j).
Mdl。β(:,j)
b j 软件存储在其中的估计的标量偏差Mdl。偏差(j).
Mdl。偏差(j)
从这个模型模拟10000个观察结果
y = x 1 0 0 + 2 x 2 0 0 + e .
X = x 1 , . . . , x 1 0 0 0 是一个10000 × 1000稀疏矩阵,含有10%的非零标准正规元素。
e为随机正态误差,均值为0,标准差为0.3。
rng (1)%的再现性n = 1 e4;d = 1 e3;新西兰= 0.1;X = sprandn (n, d,新西兰);Y = X(:,100) + 2*X(:,200) + 0.3*randn(n,1);
交叉验证线性回归模型。
CVMdl = fitrlinear (X, Y,“CrossVal”,“上”)
CVMdl = RegressionPartitionedLinear CrossValidatedModel: 'Linear' ResponseName: 'Y' NumObservations: 10000 KFold: 10 Partition: [1x1 cvpartition] ResponseTransform: 'none'属性,方法
Mdl1 = CVMdl。训练有素的{1}
Mdl1 = RegressionLinear ResponseName: 'Y' ResponseTransform: 'none' Beta: [1000x1 double] Bias: 0.0107 Lambda: 1.1111e-04 Learner: 'svm'属性,方法
默认情况下,fitrlinear实现了10倍交叉验证。CVMdl是一个RegressionPartitionedLinear模型。它包含属性训练有素的,这是一个容纳10的10乘1单元数组RegressionLinear软件使用训练集训练的模型。
训练有素的
RegressionLinear
预测观察结果的反应fitrlinear没有用于训练褶皱。
yHat = kfoldPredict (CVMdl);
因为有一个正规化强度Mdl,yHat是一个数字向量。
Mdl
yHat
模拟10000个观察值,如预测旨在响应.
创建一组15个对数间隔的正则化强度 1 0 - 5 通过 1 0 - 1 .
λ= logspace(5、1、15);
旨在模型。要提高执行速度,可以调换预测器数据并指定观察结果在列中。指定使用带套索惩罚的最小二乘和使用SpaRSA优化目标函数。
X = X ';CVMdl = fitrlinear (X, Y,“ObservationsIn”,“列”,“KFold”5,“λ”λ,...“学习者”,“leastsquares”,“规划求解”,“sparsa”,“正规化”,“套索”);
CVMdl是一个RegressionPartitionedLinear模型。它的训练有素的属性包含一个5乘1单元数组的训练RegressionLinear每个模特在训练时都有不同的折叠。因为fitrlinear训练使用15个正规化力量,你可以想出每一个RegressionLinear模型为15个模型。
预测旨在响应。
YHat = kfoldPredict (CVMdl);大小(YHat)
ans =1×210000年15
: YHat (2)
ans =1×15-1.7338 -1.7332 -1.7319 -1.7299 -1.7266 -1.7239 -1.7135 -1.7210 -1.7324 -1.7063 -1.6397 -1.5112 -1.2631 -0.7841 -0.0096
YHat是一个10000 × 15的矩阵。: YHat (2)为使用所有15个正则化值进行正则化的模型对观测2的交叉验证响应。
RegressionPartitionedLinear|预测|RegressionLinear|fitrlinear
预测
您有这个示例的修改版本。您想打开这个示例与您的编辑吗?
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行命令。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:.
你也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。
与当地办事处联系