cvshrink

旨在线性判别的正规化

语法

呃= cvshrink (obj) (呃,γ)= cvshrink (obj) (呃,γδ)= cvshrink (obj) (呃,γ、δnumpred] = cvshrink (obj) (呃,……]= cvshrink (obj,名称,值)

犯错= cvshrink (obj)返回一个向量旨在分类误差值不同的正则化参数γ的值。

(犯错,γ)= cvshrink (obj)还返回伽马值的向量。

(犯错,γ,δ)= cvshrink (obj)还返回δ值的向量。

(犯错,γ,δ,numpred)= cvshrink (obj)返回非零的向量的数量为每个设置的参数预测γ和δ。

(犯错,……]= cvshrink (obj,名称,值)交叉验证指定的一个或多个额外的选项名称,值对参数。

obj

判别分析分类器,生产使用fitcdiscr。

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

R2021a之前,用逗号来分隔每一个名称和值,并附上的名字在报价。

`δ`	标量`δ`- - - - - -`cvshrink`使用这个值`δ`每一次的价值`γ`正则化。行向量`δ`——为每个`我`和`j`,`cvshrink`使用`δ(j)`与`伽马(我)`正则化。矩阵`δ`的行数`δ`必须等于元素的数量吗`γ`。为每一个`我`和`j`,`cvshrink`使用`δ(i, j)`与`伽马(我)`正则化。默认值:`0`
`γ`	交叉验证向量的γ值。默认值:`0:0.1:1`
`NumDelta`	δ间隔交叉验证。对于每一个γ的值,`cvshrink`旨在判别使用`NumDelta + 1`值δ,均匀间隔的从零到最大三角洲的所有预测都是消除这个γ的价值。如果你设置`δ`,`cvshrink`忽略了`NumDelta`。默认值:`0`
`NumGamma`	交叉验证的伽马间隔数量。`cvshrink`旨在判别使用`NumGamma + 1`伽马值,间隔均匀`MinGamma`来`1`。如果你设置`γ`,`cvshrink`忽略了`NumGamma`。默认值:`10`
`详细的`	冗长的水平,一个整数`0`来`2`。更高的价值给更多的进展消息。默认值:`0`

`犯错`	数值向量或矩阵的错误。`犯错`是误分类错误率,这意味着所有折叠错误分类数据的平均分数。如果`δ`是一个标量(默认),`犯错(我)`的误分类错误率是吗`obj`正规化和`伽马(我)`。如果`δ`是一个矢量,`犯错(i, j)`的误分类错误率是吗`obj`正规化和`伽马(我)`和`δ(j)`。如果`δ`是一个矩阵,`犯错(i, j)`的误分类错误率是吗`obj`正规化和`伽马(我)`和`δ(i, j)`。
`γ`	向量的γ值用于正则化。看到γ和δ。
`δ`	向量或矩阵δ值用于正则化。看到γ和δ。如果你给一个标量的`δ`名称-值对,输出`δ`是一个行向量大小一样吗`γ`等于输入标量,条目。如果你给一个行向量`δ`名称-值对,输出`δ`与相同数量的列是一个矩阵的行向量,和的行数等于元素的数量`γ`。输出`δ(i, j)`等于输入`δ(j)`。如果你给一个矩阵`δ`名称-值对,输出`δ`是一样的输入矩阵。的行数`δ`必须等于元素的数量吗`γ`。
`numpred`	数值向量或矩阵包含在模型中预测的数量在不同的合法化。`numpred`一样的尺寸吗`犯错`。如果`δ`是一个标量(默认),`numpred(我)`预测的数量吗`obj`正规化和`伽马(我)`和`δ`。如果`δ`是一个矢量,`numpred (i, j)`预测的数量吗`obj`正规化和`伽马(我)`和`δ(j)`。如果`δ`是一个矩阵,`numpred (i, j)`预测的数量吗`obj`正规化和`伽马(我)`和`δ(i, j)`。

打开生活的脚本

规范判别分析分类器和视图之间的权衡的数量预测模型和分类精度。

创建一个线性判别分析分类器ovariancancer数据。设置SaveMemory和FillCoeffs选项将生成的模型相当小。

负载ovariancancergrp obj = fitcdiscr(奥林匹克广播服务公司,…“SaveMemory”,“上”,“FillCoeffs”,“关闭”);

使用10的水平γ和10个级别的δ寻找好的参数。这个搜索耗时。集详细的来1查看进度。

rng (“默认”)%的再现性(呃,γδ,numpred) = cvshrink (obj,…“NumGamma”9“NumDelta”9“详细”1);

构建旨在模型完成。处理伽马第一步的。步骤2处理伽马10。处理伽马10步骤3。处理伽马步骤4的。处理伽马第五步的。γ第六步的处理。处理伽马10步骤7。处理伽马10步骤8。γ第9步的处理。 Processing Gamma step 10 out of 10.

情节的分类错误率与预测的数量。

情节(呃,numpred“k”。)包含(的错误率);ylabel (预测的数量);

图包含一个坐标轴对象。坐标轴对象包含错误率,ylabel预测包含10线类型的对象的数量。一个或多个行显示的值只使用标记

检查犯错和numpred输出看到旨在误差之间的权衡和数量的预测。当你找到一个满意的点,设置相应的γ和δ使用点符号属性模型。例如,如果(i, j)令人满意的位置点,准备好了吗
```
obj。γ=γ(我);obj。Delta = delta(i,j);
```