10分割交差検証を使用し，回帰モデルの平均二乗誤差を計算します。

carsmallデ，タセットを読み込みます。加速度，馬力，重量，ガロンあたりの走行マaaplル数(mpg)の値を行列数据に格納します。南値が含まれている行を削除します。

负载carsmalldata =[加速度、马力、重量MPG];Data (any(isnan(Data)，2)，:) = [];

数据の最後の列(英里/加仑に対応)をyの応答変数として指定します。数据のそれ以外の列を予測子デ，タXとして指定します。回帰関数が回归を使用する場合，この例のように，値が1の列をXに追加します。

メモ:回归は，回帰モデルの係数推定値または残差が必要な場合に便利です。あてはめた回帰モデルをさらに調べる必要がある場合は，fitlmを使用して線形回帰モデルオブジェクトを作成します。fitlmとcrossvalを使用する例にいては，交差検証を使用した平均絶対誤差の計算を参照してください。

Y = data(:，4);X = [ones(length(y)，1) data(:，1:3)];

カスタム関数regf(この例の終わりに掲載)を作成します。この関数は，学習デ，タに回帰モデルをあてはめ，検定セットで予測値を計算します。

メモ:この例のラ▪▪ブスクリプトファ▪▪ルを使用している場合，関数regfは既にファ@ @ルの終わりに含まれています。それ以外の場合は,この関数をmファイルの終わりに作成するか,MATLAB®パス上のファイルとして追加する必要があります。

予測子デ，タXと応答変数yを使用し，回帰モデルに対する既定の10分割交差検証の平均二乗誤差を計算します。

rng (“默认”）%用于再现性cvMSE = crossval(mse的, X, y,“Predfun”@regf)

cvMSE = 17.5399

次のコ，ドは，関数regfを作成します。

函数yfit = regf(Xtrain,ytrain,Xtest) b =回归(ytrain,Xtrain);yfit = Xtest*b;结束

10分割交差検証を使用して,数値データとカテゴリカル予測子データで学習させたロジスティック回帰モデルの分類誤差を計算します。

病人デ，タセットを読み込みます。予測子として，数値変数舒张压、收缩压，およびカテゴリカル変数性别を指定し，応答変数として吸烟者を指定します。

负载病人X1 =舒张期;X2 =分类(性别);X3 =收缩期;y =吸烟者;

カスタム関数classf(この例の終わりに掲載)を作成します。この関数は，学習デ，タにロジスティック回帰モデルをあてはめ，検定デ，タを分類します。

メモ:この例のラ▪▪ブスクリプトファ▪▪ルを使用している場合，関数classfは既にファ@ @ルの終わりに含まれています。それ以外の場合は,この関数をmファイルの終わりに作成するか,MATLAB®パス上のファイルとして追加する必要があります。

予測子デ，タX1、X2、X3，および応答変数yを使用して，このモデルに対する10分割交差検証の分類誤差を計算します。学習セットと検定セットで必ず喫煙者の比率がほぼ同じになるように，“分层”,yを指定します。

rng (“默认”）%用于再现性Err = crossval(“宏”, X1, X2, X3, y,“Predfun”@classf,“分层”, y)

Err = 0.1100

次のコ，ドは，関数classfを作成します。

函数pred = classf(X1train,X2train,X3train,ytrain,X1test,X2test,X3test,X3test).．.“VariableNames”, {舒张压的，“性别”，“收缩”，“抽烟”});Xtest = table(X1test,X2test,X3test，.．.“VariableNames”, {舒张压的，“性别”，“收缩”});modelspec =“吸烟者~舒张期+性别+收缩期”；mdl = fitglm(Xtrain,modelspec，“分布”，“二”）;yfit = predict(mdl,Xtest);Pred = (yfit > 0.5);结束

与えられた数のクラスターについて,観測値とそれに最も近いクラスターの中心との間の,交差検証された距離の二乗和を計算します。1 ~ 10個のクラスタにいて，結果を比較します。

fisheririsデ，タセットを読み込みます。Xは，150種類の花にいての花の測定値が格納された行列量です。

负载fisheririsX = meas;

カスタム関数clustf(この例の終わりに掲載)を作成します。この関数は以下の手順を実行します。

メモ:この例のラ▪▪ブスクリプトファ▪▪ルを使用している場合，関数clustfは既にファ@ @ルの終わりに含まれています。それ以外の場合は,この関数をmファイルの終わりに作成するか,MATLAB®パス上のファイルとして追加する必要があります。

各反復でクラスタ，数kを指定する为ル，プを作成します。決められた各クラスタ数にいて，対応する関数clustfをcrossvalに渡します。crossvalは,既定で10分割交差検証を実行するため,ソフトウェアは10個の距離の二乗和を計算します(各平方和は学習データと検定データの各分割に対応します)。これらの値を合計します。これが，所定の数のクラスタ，に，いての交差検証された距離の二乗和です。

rng (“默认”）%用于再现性Cvdist = 0 (5,1);为fun = @(Xtrain,Xtest)clustf(Xtrain,Xtest,k);距离= crossval(fun,X);Cvdist (k) = sum(距离);结束

各クラスタ数にいて，交差検証された距離の二乗和をプロットします。

情节(cvdist)包含(“簇数”) ylabel (CV距离平方和）

通常は,使用するクラスターの数を決定する場合,交差検証された距離の二乗和が大幅な減少を示すクラスター数のうち最も数が大きいものを使用することを検討してください。この例の場合2つか3つのクラスターの使用が適切と考えられますが,3つを超えるクラスターの使用は適切と考えられません。

次のコ，ドは，関数clustfを作成します。

函数距离= clustf(Xtrain,Xtest,k) [Ztrain,Zmean,Zstd] = zscore(Xtrain);[~，C] = kmeans(Ztrain,k);%创建k个集群Ztest = (Xtest-Zmean)./Zstd;d = pdist2(C,Ztest，“欧几里得”，“最小”1);距离= sum(d.^2);结束

10分割交差検証を使用して，回帰モデルの平均絶対誤差を計算します。

carsmallデ，タセットを読み込みます。予測子として変数加速度と位移を指定し，応答として変数重量を指定します。

负载carsmallX1 =加速度;X2 =位移;y =重量;

カスタム関数regf(この例の終わりに掲載)を作成します。この関数は，学習デ，タに回帰モデルをあてはめ，検定セットで車両の重量を計算します。この関数は,車両の予測重量と真の値を比較して,平均絶対誤差(MAE)と検定セットの車両の重量の範囲に調整された美を計算します。

メモ:この例のラ▪▪ブスクリプトファ▪▪ルを使用している場合，関数regfは既にファ@ @ルの終わりに含まれています。それ以外の場合は,この関数をmファイルの終わりに作成するか,MATLAB®パス上のファイルとして追加する必要があります。

既定では，crossvalは10分割交差検証を実行します。X1、X2，およびyに含まれるデタから得られた学習セットと検定セットの10個の分割のそれぞれにいて，関数regfを使用してmaeと調整済みmaeの値を計算します。美の平均値と調整済み美の平均値を求めます。

rng (“默认”）%用于再现性values = crossval(@regf,X1,X2,y)

值=10×2319.2261 0.1132 342.3722 0.1240 214.3735 0.0902 174.7247 0.1128 189.4835 0.0832 249.4359 0.1003 194.4210 0.0845 348.7437 0.1700 283.1761 0.1187 210.7444 0.1325

意思是(值)

ans =1×2252.6701 - 0.1129

次のコ，ドは，関数regfを作成します。

函数errors = regf(X1train,X2train,ytrain,X1test,X2test,ytest) tbltrain = table(X1train,X2train,ytrain，.．.“VariableNames”, {“加速”，“位移”，“重量”});tbltest = table(X1test,X2test,ytest，.．.“VariableNames”, {“加速”，“位移”，“重量”});MDL = fitlm(tbltrain，“重量~加速度+位移”）;Yfit = predict(mdl,tbltest);MAE =均值(abs(yfit-tbltest.Weight));adjMAE = MAE/range(tbltest.Weight);errors = [MAE adjMAE];结束

主成分分析(pca)と5分割交差検証を使用して，分類木の分類誤差を計算します。

fisheririsデ，タセットを読み込みます。量には，150種類の花にいての花の測定値が格納されています。変数物种には，それぞれの花の種類がリストされています。

负载fisheriris

カスタム関数classf(この例の終わりに掲載)を作成します。この関数は，学習デ，タに分類木をあてはめ，検定デ，タを分類します。関数の内部では PCA を使用し、ツリー モデルの作成に使用する予測子の数を減らします。

メモ:この例のラ▪▪ブスクリプトファ▪▪ルを使用している場合，関数classfは既にファ@ @ルの終わりに含まれています。それ以外の場合は,この関数をmファイルの終わりに作成するか,MATLAB®パス上のファイルとして追加する必要があります。

層化5分割交差検証用に，cvpartitionオブジェクトを作成します。既定では，cvpartitionにより，学習セットと検定セットで花の種類の比率がほぼ同じになることが保証されます。

rng (“默认”）%用于再现性CVP = cvpartition(species，“KFold”5);

予測子デ，タ量および応答変数物种を使用して，この分類木に対する5分割交差検証の分類誤差を計算します。

cvError = crossval(“宏”量,物种,“Predfun”@classf,“分区”本量利)

cvError = 0.1067

次のコ，ドは，関数classfを作成します。

函数yfit = classf(Xtrain,ytrain,Xtest)标准化训练预测数据。然后，找到为标准化训练预测因子的主成分%的数据。[Ztrain,Zmean,Zstd] = zscore(Xtrain);[coeff,scoreTrain，~，~，explained,mu] = pca(Ztrain);找出最小数量的主成分%，至少95%的可变性。N = find(cumsum(explained)>=95,1);找到标准化的n个主成分分数%训练预测器数据。训练一个分类树模型%仅使用这些分数。scoreTrain95 = scoreTrain(:，1:n);mdl = fitctree(scoreTrain95,ytrain);找出转换后的n个主成分得分%测试数据。分类测试数据。Ztest = (Xtest-Zmean)./Zstd;scoreTest95 = (Ztest-mu)*coeff(:，1:n);yfit = predict(mdl,scoreTest95);结束

判別分析モデルの10分割交差検証結果から，混同行列を作成します。

メモ:学習速度が重要となる場合は分类を使用します。そうでない場合はfitcdiscrを使用して判別分析モデルを作成します。この例と同じワ，クフロ，でfitcdiscrを使用する例にいては，交差検証予測を使用した混同行列の作成を参照してください。

fisheririsデ，タセットを読み込みます。Xは150種類の花にいての花の測定値を格納し，yはそれぞれの花の種類をリストします。花の種類の順序を指定する変数订单を作成します。

负载fisheririsX = meas;Y =物种;顺序=唯一(y)

订单=3 x1细胞{'setosa'} {'versicolor'} {'virginica'}

以下の手順を実行する関数用に，函数という名前の関数ハンドルを作成します。

func = @(Xtrain,ytrain,Xtest,ytest).．.分类(Xtest Xtrain ytrain),“秩序”、订单);

層化10分割交差検証用に，cvpartitionオブジェクトを作成します。既定では，cvpartitionにより，学習セットと検定セットで花の種類の比率がほぼ同じになることが保証されます。

rng (“默认”）%用于再现性CVP = cvpartition(y，“Kfold”10);

予測子デ，タXと応答変数yの各分割にいて，10個の検定セットの混同行列を計算します。confMatの各行は，1の検定セットから得られた混同行列に対応します。結果を集計し，最終結果の混同行列cvMatを作成します。

confMat = crossval(func,X,y，“分区”、本量利);cvMat =重塑(sum(confMat)，3,3)

cvMat =3×350 0 0 0 48 2 0 1 49

confusionchartを使用して，混同行列を混同行列チャ，トとしてプロットします。

confusionchart (cvMat顺序)