ionosphereデータセットを読み込みます。このデータセットには、レーダー反射についての 34 個の予測子と、不良 ('b'的）または良好 ('g'的）という 351 個の二項反応が含まれています。

加载ionosphereRNG（1);% For reproducibility

サポートサポートマシン（SVM）分类器に习ますますせます。

svmmodel = fitcsvm（x，y，'Standardize'，真的，'ClassNames'，{'b'那'g'});

svmmodel.は学習させたClassificationSVM分類器です。'b'は阴性のクラス，'g'は阳性のです。

10分分交差交差ををしてて交差検证しますますますますます。

CVSVMMODEL = Crossval（SVMModel）

cvsvmmodel = classificationededmodel crossvalidatedmodel：'svm'predictornames：{1x34 cell} racatectename：'y'numobservations：351 kfold：10分区：[1x1 cvpartition] classnames：{'b'g'} scoreTransform：'无'属性，方法

cvsvmmodel.はClassificationPartitionedModel.交差検证分类器です。

cvsvmmodel.。Trained内の最初のモデルを表示します。

FirstModel.= CVSVMModel.Trained{1}

FirstModel.= CompactClassificationSVM ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' Alpha: [78x1 double] Bias: -0.2209 KernelParameters: [1x1 struct] Mu: [1x34 double] Sigma: [1x34 double] SupportVectors: [78x34 double] SupportVectorLabels: [78x1 double] Properties, Methods

FirstModel.は10个の学习さた分享器のうち最初のものです。これこれCompactClassificationSVM分類器です。

cvsvmmodel.をkfoldloss.に渡すと、汎化誤差を推定できます。

既定交差検证のホールドアウト标标で指定し标既定ではははではははででででででで横梁は10分类交差検证交差，交差検证しますたとえば，交差検证し他たとえば，异なる検证はます。

ionosphereデータセットを読み込みます。このデータセットには、レーダー反射についての 34 個の予測子と、不良 ('b'的）または良好 ('g'的）という 351 個の二項反応が含まれています。

加载ionosphere

安定させるため、最初の 2 つの予測子を削除します。

x = x（:,3：结束）;RNG（'default'）;% For reproducibility

予测子Xとクラス ラベルyを使用して，単纯ベイズ分類器に学習させます。クラス名を指定することが推奨されます。'b'は陰性クラスで、'g'は阳性クラスです。fitcnbは，各予测子が条件付き正规分布に従うと仮定しています。

MDL.= fitcnb(X,Y,'ClassNames'，{'b'那'g'});

MDL.は学習させたClassificationNaiveBayes分類器です。

30％のホールドアウト标本を指定て，分析器を交差検证ます。

cvmdl = crossval（mdl，'Holdout'，0.3）

CVMdl = ClassificationPartitionedModel CrossValidatedModel: 'NaiveBayes' PredictorNames: {1x32 cell} ResponseName: 'Y' NumObservations: 351 KFold: 1 Partition: [1x1 cvpartition] ClassNames: {'b' 'g'} ScoreTransform: 'none' Properties, Methods

CVMdlは，交差検证した単纯ベイズベイズ分类器ClassificationPartitionedModel.です。

70% のデータを使用して学習させた分類器のプロパティを表示します。

TrainedModel= CVMdl.Trained{1}

TrainedModel= CompactClassificationNaiveBayes ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' DistributionNames: {1x32 cell} DistributionParameters: {2x32 cell} Properties, Methods

TrainedModelはCompactClassificaiveBayes.分類器です。

CVMdlをkfoldloss.に渡して、汎化誤差を推定します。

kfoldloss（cvmdl）

ans = 0.2095

標本外の誤分類誤差は約 21% です。

上位5つの重要な予测を选択て，泛化误差を减らし。

idx = fscmrmr（x，y）;xnew = x（：，idx（1：5））;

新しい予測子向けに単純ベイズ分類器の学習を行います。

mdlnew = fitcnb（xnew，y，'ClassNames'，{'b'那'g'});

30% のホールドアウト標本を指定して新しい分類器を交差検証し、汎化誤差を推定します。

cvmdlnew = crossval（mdlnew，'Holdout'，0.3）; kfoldLoss(CVMdlnew)

ANS = 0.1429.

标本外のの分误差が约21％から约14％まで减ってい。

Fitrgam.を使用して回帰一般化加法モデル (GAM) に学習させ、横梁とホールドアウトオプションを使して検证済みgamを作物成し。そのその，kfold.Predictをを用し，学校分享到値に対して习をせたモデルして，検证分享観测の応答をしますの応答予测します。

patientsデータセットを読み込みます。

加载patients

予测子阶数（年龄那Diastolic那Smoker那重量那性别那SelfAssessedHealthStatus的）と応答変数 (收缩系统的）を格納する table を作成します。

tbl = table(Age,Diastolic,Smoker,Weight,Gender,SelfAssessedHealthStatus,Systolic);

予测子の線形項が格納されている GAM に学習させます。

mdl = fitrgam（tbl，'Systolic'）;

MDL.はRegressionGAMモデルオブジェクトです。

30％のホールドアウト标本を指定し，モデルを交差検证ます。

RNG（'default'的）% For reproducibilitycvmdl = crossval（mdl，'Holdout'，0.3）

cvmdl = regrestionpartitionedgam crossvalidatedmodel：'gam'predictornames：{1x6 cell} categoricalpricictors：[3 5 6] racatectename：'systolic'numobservations：100 kfold：1分区：[1x1 cvpartition] numtrainedperfold：[1x1 struct] randeretransform：'无'属性， 方法

关节有关部横梁は那ホールドアウト オプションを使用してRegressionPartitionedGAMモデルオブジェクトのCVMdlを作成します。交差検証時は、以下の手順が実行されます。

名称とと値引数'横穿'那'CVPartition'那'KFold'または'忽略'を使用すると，别の交差検证の设定を选択できます。

kfold.Predictを使用して検証分割観測値の応答を予測します。この関数は、学習分割観測値に対して学習をさせたモデルを使用して、検証分割観測値の応答を予測します。この関数では、学習分割観測値に南が割り当てられます。

YFIT = KFOLDPREDICT（CVMDL）;

検证分类観测値のインデックスをして，観测値のインデックス，観测観测された応答値予测された応答値ががさた応答いるいるいるいるいるいるいるいるいるいるいるいるいるいるいるいるいるますtの最初ののます表示し

idx = find（〜isnan（yfit））;t =表（IDX，TBL.SYSTOLIC（IDX），YFIT（IDX），。。。'VariableNames'，{'Obseraction Index'那'Observed Value'那'预测值'}); head(t)

ans=8×3表Obseraction Index Observed Value Predicted Value _________________ ______________ _______________ 1 124 130.22 6 121 124.38 7 130 125.26 12 115 117.05 20 125 121.82 22 123 116.99 23 114 107 24 128 122.52

検証分割観測値の回帰誤差 (平均二乗誤差) を計算します。

L = kfoldLoss(CVMdl)

L = 43.8715.