ClassificationPartitionedEnsemble类
旨在分类合奏
描述
ClassificationPartitionedEnsemble
是一组分类乐团训练旨在折叠。估计的质量分类交叉验证使用一个或多个“kfold”方法:kfoldPredict
,kfoldLoss
,kfoldMargin
,kfoldEdge
,kfoldfun
。
每个“kfold”方法使用模型训练的观测预测响应out-of-fold观察。例如,假设您使用5折交叉验证。在这种情况下,每一个训练折叠包含约4/5的数据和每个测试折叠包含约1/5的数据。存储在第一个模型训练有素的{1}
是训练有素的X
和Y
与第一个1/5排除在外,存储在第二个模型训练有素的{2}
是训练有素的X
和Y
第二个1/5排除在外,等等。当你打电话kfoldPredict
第一的1/5,它计算预测数据使用第一个模型,使用第二个第二1/5的数据模型,等等。简而言之,响应每一个观察是计算kfoldPredict
使用模型训练没有观察。
建设
cvens = crossval(实体)
创建一个旨在合奏实体
,一个分类。语法细节,请参阅crossval
方法引用页面。
cvens = fitensemble (X, Y,方法、nlearn学习者,名称,值)
创建一个旨在合奏时的名字
是其中之一“CrossVal”
,“KFold”
,“坚持”
,“Leaveout”
,或“CVPartition”
。语法细节,请参阅fitensemble
函数引用页面。
属性
|
分类预测的列表。 |
|
元素的列表 |
|
在所有折叠单元阵列的组合器。 |
|
方阵, |
|
旨在模型的名字,一个特征向量。 |
|
使用的折叠数量旨在合奏,一个正整数。 |
|
对象持有的参数 |
|
在训练中使用的数据点数量合奏,一个正整数。 |
|
在训练中使用的数据点数量的每个折叠合奏,一个正整数。 |
|
分区的类 |
|
单元阵列为预测变量的名称,在它们出现的顺序 |
|
每个类的先验概率数值向量。元素的顺序 |
|
响应变量的名称 |
|
函数处理转变分数,或字符向量代表一个内置的变换函数。 添加或更改 ens.ScoreTransform = '函数” 或 ens.ScoreTransform = @函数 |
|
在交叉验证折叠单元阵列的乐团训练。每一个合奏充满,这意味着它包含其训练数据和权重。 |
|
单元阵列交叉验证折叠紧凑乐团训练。 |
|
按比例缩小的 |
|
一个矩阵的预测价值。每一列的 |
|
一个数字列向量具有相同的行数 |
方法
kfoldEdge | 分类边观察不用于培训 |
kfoldLoss | 观察不用于训练分类损失 |
的简历 | 恢复训练学习者在交叉验证折叠 |
继承的方法
kfoldEdge | 分类边观察不用于培训 |
kfoldfun | 交叉验证函数 |
kfoldLoss | 观察不用于训练分类损失 |
kfoldMargin | 观察不用于训练分类的利润率 |
kfoldPredict | 预测反应观察不用于培训 |
复制语义
价值。学习如何价值类影响复制操作,明白了复制对象在MATLAB (MATLAB)®文档。
例子
评估k-fold交叉验证错误的系综分类模型费舍尔虹膜数据:
负载fisheriris实体= fitensemble(量、物种“AdaBoostM2”, 100年,“树”);cvens = crossval (ens);L = kfoldLoss (cvens) L = 0.0533