主要内容

kfoldPredict

在交叉验证的分类模型中分类观察

在页面上崩溃

    句法

    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)

    描述

    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“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。

    例子

    [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。

    例子

    全部折叠

    打开生活的脚本

    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。

    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。

    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)

    Figure包含一个confusimatrixchart类型的对象。

    打开生活的脚本

    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

    输入参数

    全部折叠

    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。

    • 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。

    分类模型 函数
    分类Discriminant. fitcdiscr
    ClassificationEnsemble fitcensemble.
    ClassificationGAM Fitcgam.
    ClassificationKnn. Fitcknn.
    ClassificationniveBayes. fitcnb
    ClassificationNeuralNetwork Fitcnet.
    ClassificationSVM fitcsvm
    ClassificationTree fitctree

    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。

    数据类型：逻辑

    输出参数

    全部折叠

    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。

    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．

    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。

    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．

    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。

    算法

    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。

    模型类型 预测函数
    判别分析分类器 预测
    合奏分类器 预测
    广义添加剂模型分类器 预测
    K.最近的邻居分类器 预测
    天真的贝母分类器 预测
    神经网络分类器 预测
    金宝app支持向量机分类器 预测
    用于多类分类的二叉决策树 预测

    扩展能力

    也可以看看

    ||||

    介绍了R2011a

    统计和机器学习工具箱文档

    金宝app

    掌握机器学习：使用MATLAB逐步指南

    掌握机器学习：使用MATLAB逐步指南

    下载电子书