cvshrink.

线性判别器的交叉验证正则化

展开所有页面

语法

err = cvshrink（obj） [err，gamma] = cvshrink（obj） [err，gamma，delta] = cvshrink（obj） (呃,γ、δnumpred] = cvshrink (obj) (呃,……]= cvshrink（obj.那名称,值）

描述

犯错= cvshrink（obj.）返回对正则化参数伽玛的不同值的交叉验证分类错误值的向量。

[犯错那伽玛) = cvshrink (obj.）也返回Gamma值的向量。

[犯错那伽玛那三角洲) = cvshrink (obj.）还返回Delta值的向量。

[犯错那伽玛那三角洲那麻木) = cvshrink (obj.）返回参数伽玛和三角洲的每个设置的非零预测器数量的向量。

[犯错，...]= cvshrink（obj.那名称,值）通过一个或多个指定的其他选项交叉验证名称,值对参数。

输入参数

obj.

判别分析分类器，使用fitcdiscr．

名称-值对的观点

指定可选的逗号分离对名称,值参数。名称是参数名称和价值为对应值。名称必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

`“δ”`	标量`三角洲`-`cvshrink.`使用`三角洲`每一个值`伽玛`正规化。行矢量`三角洲`——为每个`我`和`j`那`cvshrink.`使用`δ(j)`借`伽玛（i）`正规化。矩阵`三角洲`-的行数`三角洲`必须等于元素的数量`伽玛`．为每一个`我`和`j`那`cvshrink.`使用`三角洲（I，J）`借`伽玛（i）`正规化。默认值：`0.`
`'伽玛'`	用于交叉验证的伽马值向量。默认值：`0：0.1：1`
`“NumDelta”`	用于交叉验证的Delta间隔数。对于每一个值，`cvshrink.`交叉验证判别使用`numdelta + 1`δ的值，从零间隔开到最大δ，在伽马的这种值消除所有预测器的最大Δ。如果你设置了`三角洲`那`cvshrink.`忽略`numdelta.`．默认值：`0.`
`'numgamma'`	交叉验证的伽玛间隔数。`cvshrink.`交叉验证判别使用`numgamma + 1`的值，等间距`Mingamma.`到目前为止`1`．如果你设置了`伽玛`那`cvshrink.`忽略`numgamma.`．默认值：`10.`
`“详细”`	冗长级别，一个整数`0.`到目前为止`2`．更高的值给出更多的进度信息。默认值：`0.`

输出参数

`犯错`	数值向量或误差矩阵。`犯错`为误分类错误率，即错分类数据在所有折叠上的平均比例。如果`三角洲`是一个标量（默认），`犯错(我)`是错误分类错误率`obj.`定期用`伽玛（i）`．如果`三角洲`是矢量，`错误（i，j）`是错误分类错误率`obj.`定期用`伽玛（i）`和`δ(j)`．如果`三角洲`是一个矩阵，`错误（i，j）`是错误分类错误率`obj.`定期用`伽玛（i）`和`三角洲（I，J）`．
`伽玛`	用于正规化的伽马值矢量。看伽玛和三角洲．
`三角洲`	用于正规化的Delta值的矢量或矩阵。看伽玛和三角洲．如果你给它一个标量`三角洲`名称值对，输出`三角洲`是行矢量与尺寸相同`伽玛`，其元素等于输入标量。如果你给了一个行矢量`三角洲`名称值对，输出`三角洲`是具有相同数量的列作为行向量的矩阵，以及行数等于元素的数量`伽玛`．输出`三角洲（I，J）`等于输入`δ(j)`．如果你给了一个矩阵`三角洲`名称值对，输出`三角洲`与输入矩阵相同。行的数量`三角洲`必须等于元素的数量`伽玛`．
`麻木`	数值向量或矩阵，包含模型中各种规格化的预测器的数量。`麻木`具有相同的尺寸`犯错`．如果`三角洲`是一个标量（默认），`numpred(我)`预测器的数量是多少`obj.`定期用`伽玛（i）`和`三角洲`．如果`三角洲`是矢量，`numpred (i, j)`预测器的数量是多少`obj.`定期用`伽玛（i）`和`δ(j)`．如果`三角洲`是一个矩阵，`numpred (i, j)`预测器的数量是多少`obj.`定期用`伽玛（i）`和`三角洲（I，J）`．

例子

全部展开

使用许多预测器规范化数据

打开生活的脚本

正则化一个判别分析分类器，并查看模型中预测器数量和分类精度之间的权衡。

为此创建一个线性判别分析分类器ovariancancer数据。设置SaveMemory和FillCoeffs将所产生的模型保持相当小的选项。

加载ovariancancerobj = fitcdiscr（obs，grp，......“SaveMemory”那'开'那'fillcoeffs'那“关闭”）;

使用10级γ和10级三角洲寻找好的参数。这种搜索是费时的。集详细的到目前为止1查看进度。

rng (“默认”）重复性的％(呃,γδ,numpred) = cvshrink (obj,......'numgamma'，9，“NumDelta”，9，“详细”1);

完成构建交叉验证的模型。加工伽马步骤1。处理γ步骤2。加工伽马步骤3。处理伽马步骤4除10中。加工伽玛步骤5。加工伽玛步骤6。加工伽玛步骤6。加工γ步骤7除10中。处理伽马步骤8中的10。加工伽马步骤9中的10。加工伽马步骤10中的10。

绘制分类错误率针对预测器的数量。

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

图包含轴。轴包含10个类型的物体。

提示

检查犯错和麻木输出以查看交叉验证的错误和预测器数量之间的权衡。当你找到一个满意的点，设置相应的伽玛和三角洲使用点表示法模型的属性。例如，如果(i, j)是令人满意的点，套装
```
obj.gamma =伽玛（i）;obj.delta = delta（i，j）;
```

另请参阅

分类Discriminant.|fitcdiscr

主题

统计和机器学习工具箱文档

万博1manbetx

掌握机器学习：使用MATLAB逐步指南

下载电子书