帮助中心帮助中心
kfoldEdge
交叉验证分类模型的分类边
E = kfoldge (cvdl)
E = kfoldge (CVMdl,Name,Value)
例子
E= kfoldEdge (CVMdl)返回分类的优势通过交叉验证的分类模型得到CVMdl.对于每一次折叠,kfoldEdge使用在训练折叠观测上训练的分类器计算验证折叠观测的分类边。CVMdl。X而且CVMdl。Y包含两组观察结果。
E= kfoldEdge (CVMdl)
E
CVMdl
CVMdl。X
CVMdl。Y
E= kfoldEdge (CVMdl,名称,值)返回带有由一个或多个名称-值参数指定的附加选项的分类边。例如,指定要使用的折叠,或指定为每个单独的折叠计算分类边。
E= kfoldEdge (CVMdl,名称,值)
名称,值
全部折叠
计算k用Fisher的虹膜数据训练的模型。
加载费雪的虹膜数据集。
负载fisheriris
训练一个分类树分类器。
树= fitctree(单位,种);
使用10倍交叉验证交叉验证分类器。
Cvtree = crossval(树);
计算k倍的优势。
edge = kfoldEdge(cvtree)
Edge = 0.8578
计算在Fisher虹膜数据上训练的集合的k褶边。
加载示例数据集。
训练100个增强分类树的集合。
t = templateTree(“MaxNumSplits”1);弱学习器模板树对象Ens = fitcensemble(meas,species,“学习者”t);
创建交叉验证的集成实体找到分类边。
实体
rng (10,“旋风”)%用于再现性Cvens =交叉val(ens);E = kfoldEdge(cvens)
E = 3.2033
ClassificationPartitionedModel
ClassificationPartitionedEnsemble
ClassificationPartitionedGAM
交叉验证的分区分类器,指定为ClassificationPartitionedModel,ClassificationPartitionedEnsemble,或ClassificationPartitionedGAM对象。创建对象有两种方式:
将下表中列出的经过训练的分类模型传递给它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的名称-值参数。
ClassificationDiscriminant
fitcdiscr
ClassificationEnsemble
fitcensemble
ClassificationGAM
fitcgam
ClassificationKNN
fitcknn
ClassificationNaiveBayes
fitcnb
ClassificationNeuralNetwork
fitcnet
ClassificationSVM
fitcsvm
ClassificationTree
fitctree
指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名称-值参数必须出现在其他参数之后,但对的顺序无关紧要。
Name1 = Value1,…,以=家
的名字
价值
在R2021a之前,使用逗号分隔每个名称和值,并将其括起来的名字在报价。
例子:kfoldEdge(cvdl,'折叠',[1 2 3 5])指定使用第一、第二、第三和第五次折叠来计算分类边,但排除第四次折叠。
kfoldEdge(cvdl,'折叠',[1 2 3 5])
折叠
1: CVMdl。KFold
要使用的折射率,指定为正整数向量。的要素折叠必须在范围内1来CVMdl。KFold.
1
CVMdl。KFold
软件只使用中指定的折叠折叠.
例子:“折叠”,[1 4 10]
“折叠”,[1 4 10]
数据类型:单|双
单
双
IncludeInteractions
真正的
假
标志,以包括模型的交互术语,指定为真正的或假.这一论点仅对广义可加模型(GAM)有效。也就是说,您只能在以下情况下指定此参数CVMdl是ClassificationPartitionedGAM.
默认值为真正的如果模型CVMdl(CVMdl。训练有素的)包含交互术语。取值必须为假如果模型不包含交互项。
CVMdl。训练有素的
例子:“IncludeInteractions”,假的
“IncludeInteractions”,假的
数据类型:逻辑
逻辑
模式
“平均”
“个人”
“累积”
输出的聚合级别,指定为“平均”,“个人”,或“累积”.
请注意
如果你想指定这个值,CVMdl一定是ClassificationPartitionedEnsemble对象或ClassificationPartitionedGAM对象。
如果CVMdl是ClassificationPartitionedEnsemble,则输出为长度向量分钟(CVMdl.NumTrainedPerFold).每个元素j通过使用弱学习器训练的集合,函数得到的是所有折叠的平均值吗1: j.
分钟(CVMdl.NumTrainedPerFold)
j
1: j
如果CVMdl是ClassificationPartitionedGAM,则输出值取决于IncludeInteractions价值。
如果IncludeInteractions是假,然后l是一个(1 + min(NumTrainedPerFold.PredictorTrees))-by-1数值列向量。的第一个元素l是所有折叠的平均值,仅得到截距(常数)项。的(j + 1)的第Th元素l是否使用截距项和第一项得到平均值j每个线性项的预测树。
l
(1 + min(NumTrainedPerFold.PredictorTrees))
(j + 1)
如果IncludeInteractions是真正的,然后l是一个(1 + min(NumTrainedPerFold.InteractionTrees))-by-1数值列向量。的第一个元素l是使用截距(常数)项和每个线性项的所有预测树获得的所有折叠的平均值。的(j + 1)的第Th元素l是否使用截距项、每个线性项的所有预测树和第一个预测树获得平均值j每个交互项的交互树。
(1 + min(NumTrainedPerFold.InteractionTrees))
例子:“模式”,“个人”
“模式”,“个人”
分类的优势,作为数值标量或数值列向量返回。
如果模式是“平均”,然后E是所有折叠的平均分类边。
如果模式是“个人”,然后E是一个k-by-1数字列向量,包含每个折叠的分类边,其中k是折叠的数量。
如果模式是“累积”而且CVMdl是ClassificationPartitionedEnsemble,然后E是一个分钟(CVMdl.NumTrainedPerFold)-by-1数值列向量。每个元素j通过使用弱学习器训练的集合,函数获得的所有折叠的平均分类优势是什么1: j.
如果模式是“累积”而且CVMdl是ClassificationPartitionedGAM,则输出值取决于IncludeInteractions价值。
如果IncludeInteractions是假,然后l是一个(1 + min(NumTrainedPerFold.PredictorTrees))-by-1数值列向量。的第一个元素l是仅使用截距(常数)项获得的所有折叠的平均分类边。的(j + 1)的第Th元素l平均边是用截距项和第一项得到的吗j每个线性项的预测树。
如果IncludeInteractions是真正的,然后l是一个(1 + min(NumTrainedPerFold.InteractionTrees))-by-1数值列向量。的第一个元素l是使用截距(常数)项和每个线性项的所有预测树获得的所有折叠的平均分类优势。的(j + 1)的第Th元素l平均边是用截距项获得的,每个线性项的所有预测树,和第一个j每个交互项的交互树。
的分类的优势加权均值是分类的利润率.
在多个分类器中进行选择的一种方法,例如执行特征选择,是选择产生最大边缘的分类器。
的分类保证金对于二元分类,对于每个观察,是真实类别的分类分数与虚假类别的分类分数之间的差值。的分类保证金对于多类分类是真类的分类分数与假类的最大分数之间的差值。
如果边际值在相同的尺度上(也就是说,分数值基于相同的分数转换),那么它们可以作为分类置信度度量。在多个分类器中,利润率更高的分类器更好。
kfoldEdge方法中所描述的计算分类边边缘对象的功能。有关特定于模型的描述,请参见相应的边缘函数参考页下表。
边缘
使用注意事项和限制:
该函数完全支持以下交叉验证模型对象的GP金宝appU阵列:
用fitcensemble
k-训练的最近邻分类器fitcknn
金宝app用支持向量机训练分类器fitcsvm
二叉决策树用于多类分类训练fitctree
有关更多信息,请参见在图形处理器上运行MATLAB函数(并行计算工具箱).
全部展开
如果在交叉验证SVM或集成分类模型的输入模型对象时指定非默认代价矩阵,则kfoldEdge函数返回与以前版本不同的值。
的kfoldEdge函数使用存储在W财产。函数使用的方式W属性值没有改变。但是,对于具有非默认代价矩阵的交叉验证SVM和集成模型对象,存储在输入模型对象中的属性值已经更改,因此函数可以返回不同的值。
W
修改属性值的具体操作请参见Cost属性存储用户指定的成本矩阵(交叉验证SVM分类器)或Cost属性存储用户指定的成本矩阵(交叉验证集成分类器)。
如果您希望软件像以前版本中那样处理成本矩阵、先验概率和观察权重,请调整非默认成本矩阵的先验概率和观察权重,如中所述调整错误分类成本矩阵的先验概率和观测权重.然后,当你训练一个分类模型,指定调整的先验概率和观察权重使用之前而且权重分别使用名称-值参数,并使用默认代价矩阵。
之前
权重
kfoldPredict|kfoldMargin|kfoldLoss|kfoldfun|ClassificationPartitionedModel
kfoldPredict
kfoldMargin
kfoldLoss
kfoldfun
我不知道你在说什么。想要一个美好的梦?
海脂循环匹配函数对应求解MATLAB:
Esegui il commanmando inserendolo nella finestra di commanmando MATLAB。我的浏览器web不支持和MATLAB金宝app。
选择一个网站,在可用的地方获得翻译的内容,并查看当地的活动和优惠。根据您所在的位置,我们建议您选择:.
您也可以从以下列表中选择一个网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
联系当地办事处