从这个模型模拟10000个观察结果

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。

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。

模拟10000个观察值，如预测旨在响应．

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);

创建一组15个对数间隔的正则化强度 $$10^{-5}$$通过 $$10^{-1}$$．

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。