文件帮助中心文件
在交叉验证的分类模型中分类观察
标签= kfoldpredict(cvmdl)
标签= kfoldpredict(cvmdl,'includeinteraitta',include interaction)
[标签,得分] = kfoldpredict(___的)
(标签、分数、成本)= kfoldPredict (CVMdl)
例子
标签= kfoldpredict(CVMdl的)返回交叉验证的分类器预测的类标签CVMdl.对于每一个褶皱,kfoldPredict使用在训练折叠观测上培训的分类器预测验证折叠观测的类标签。cvmdl.x.和cvmdl.y.包含两组观察结果。
标签= kfoldpredict(CVMdl的)
标签
CVMdl
kfoldPredict
cvmdl.x.
cvmdl.y.
标签= kfoldpredict(CVMdl“IncludeInteractions”,internate interaction.的)指定是否包括计算中的交互术语。该语法仅适用于广义添加剂模型。
标签= kfoldpredict(CVMdl“IncludeInteractions”,internate interaction.的)
internate interaction.
[标签那分数) = kfoldPredict (___的)另外,使用在训练折叠观察上训练的分类器,使用前面语法中的任何输入参数,返回验证折叠观察的预测分类分数。
[标签那分数) = kfoldPredict (___的)
分数
[标签那分数那成本) = kfoldPredict (CVMdl的)另外返回判别分析的预期误分类成本,K.最邻居,天真的贝叶斯和树木分类器。
[标签那分数那成本) = kfoldPredict (CVMdl的)
成本
全部折叠
使用判别分析模型的10倍交叉验证预测来创建混淆矩阵。
加载fisheriris数据集。X包含150种不同花的花测量,y列出每种花的物种或类。创建一个变量订单它指定类的顺序。
fisheriris
X
y
订单
加载fisheririsx = meas;y =物种;订单=独特(Y)
订单=3 x1细胞{'setosa'} {versicolor'} {'virginica'}
通过使用使用该10倍交叉验证的判别分析模型fitcdiscr功能。默认情况下,fitcdiscr确保培训和测试集具有大致相同的花卉种类。指定花卉类的顺序。
fitcdiscr
cvmdl = fitcdiscr (X, y,'kfold',10,“类名”、订单);
预测测试套装的物种。
predatespecies = kfoldpredict(cvmdl);
创建一个混淆矩阵,该矩阵将真实类值与预测类值进行比较。
predictedSpecies confusionchart (y)
找到基于Fisher虹膜数据的模型的交叉验证预测。
载入费雪的虹膜数据集。
加载fisheriris
使用AdaBoostM2训练分类树的集合。指定树桩为弱学习者。
rng (1);%的再现性t = templateTree (“MaxNumSplits”,1);mdl = fitcensemble(meas,speies,'方法'那'adaboostm2'那'学习者',t);
通过10倍交叉验证交叉验证训练的合奏。
CVMdl = crossval (Mdl);
估计交叉验证、预测标签和分数。
[elabel, escore] = kfoldPredict (CVMdl);
显示每个职业的最大值和最小值。
马克斯(escore)
ans =1×39.3862 8.9871 10.1866
分钟(escore)
ans =1×30.0018 3.8359 0.9573
ClassificationPartitionedModel
分类分类议员
ClassificationPartitionedGAM
交叉验证的分区分类器,指定为aClassificationPartitionedModel那分类分类议员, 或者ClassificationPartitionedGAM目的。您可以通过两种方式创建对象:
将下表中列出的训练过的分类模型传递给它横梁对象功能。
横梁
使用下表中列出的函数列出分类模型,并指定该函数的交叉验证名称值之一。
分类Discriminant.
ClassificationEnsemble
fitcensemble.
ClassificationGAM
Fitcgam.
ClassificationKnn.
Fitcknn.
ClassificationniveBayes.
fitcnb
ClassificationNeuralNetwork
Fitcnet.
ClassificationSVM
fitcsvm
ClassificationTree
fitctree
真正的
错误的
标记以包含模型的交互术语,指定为真正的或错误的.此论证仅对广义可加模型(GAM)有效。也就是说,您只能指定此参数CVMdl是ClassificationPartitionedGAM.
默认值为真正的如果模型CVMdl(cvmdl.train)包含交互条款。价值必须是错误的如果模型不包含交互项。
cvmdl.train
数据类型:逻辑
逻辑
预测的类标签,作为分类矢量,逻辑向量,数字矢量,字符数组或字符向量阵列。标签具有相同的数据类型和行数cvmdl.y..每一个条目标签中对应观测的预测类标签cvmdl.x..
如果您使用HoldOut验证技术来创建CVMdl(即,如果cvmdl.kfold.是1),然后忽略标签培训折叠观察的值。这些值与具有最高频率的类匹配。
cvmdl.kfold.
1
分类分数,返回为N.——- - - - - -K.矩阵,N.为观测次数(尺寸(CVMdl.X, 1)当观察是成行时)和K.为唯一类的数量(大小(cvmdl.classnames,1))。分类得分得分(i,j)表示的信心一世观察属于课程j.
尺寸(CVMdl.X, 1)
大小(cvmdl.classnames,1)
得分(i,j)
一世
j
如果您使用HoldOut验证技术来创建CVMdl(即,如果cvmdl.kfold.是1),然后分数已南培训折叠观察的值。
南
预期的误分类成本,返回为N.——- - - - - -K.矩阵,N.为观测次数(尺寸(CVMdl.X, 1)当观察是成行时)和K.为唯一类的数量(大小(cvmdl.classnames,1))。价值成本(i, j)是预测该的平均错误分类成本一世观察属于课程j.
成本(i, j)
笔记
如果你想返回这个输出参数,CVMdl必须是判别分析,K.最终邻居,天真的贝叶斯或树分类器。
如果您使用HoldOut验证技术来创建CVMdl(即,如果cvmdl.kfold.是1),然后成本已南培训折叠观察的值。
kfoldPredict如相应的所描述计算预测预测对象功能。对于特定于模型的描述,请参阅相应的描述预测函数参考页面在下表中。
预测
使用注意事项及限制:
此功能完全支持以下交叉验证模型对象的GP金宝appU阵列:
合奏分类器培训fitcensemble.
K.训练的最近邻分类器Fitcknn.
金宝app支持向量机器分类器培训fitcsvm
用于多类分类的二叉决策树fitctree
有关更多信息,请参见在GPU上运行matlab函数(并行计算工具箱).
ClassificationPartitionedModel|Kfoldedge|kfoldMargin|kfoldloss.|kfoldfun
Kfoldedge
kfoldMargin
kfoldloss.
kfoldfun
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?
您单击了与此MATLAB命令对应的链接:
在MATLAB命令窗口中输入它来运行命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站,以便在可用的地方进行翻译内容,并查看本地活动和优惠。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(以中文或英文)以获得最佳网站性能。其他MathWorks国家网站未优化您所在地的访问。
与当地办事处联系