交叉验证的二元核分类模型
ClassificationPartitionedKernel
是一个基于交叉验证褶皱训练的二元核分类模型。你可以使用一个或多个“kfold”函数来估计分类的质量,或者核分类模型的泛化程度:kfoldPredict
,kfoldLoss
,kfoldMargin
,kfoldEdge
.
每一种“kfold”方法都使用在训练折叠(内折叠)观测上训练的模型来预测验证折叠(外折叠)观测的响应。例如,假设您使用5倍交叉验证。在这种情况下,软件将每个观察结果随机分配到大小相同(大致)的五组。的培训褶皱包含四组(即大约4/5的数据)和验证褶皱包含另一组(即大约1/5的数据)。在这种情况下,交叉验证的过程如下:
软件训练第一个模型(存储在CVMdl。Trained{1}
),并保留第一组的观测值作验证。
软件训练第二个模型(存储在CVMdl。Trained{2}
),根据第一组和最后三组的观察结果。该软件保留第二组的观察结果以供验证。
对于第三、第四和第五种模型,软件以类似的方式进行。
如果您使用kfoldPredict
,该软件计算出对小组观测结果的预测我通过使用我模型。简而言之,该软件通过使用未经该观察而训练的模型来估计每个观察的响应。
请注意
ClassificationPartitionedKernel
模型对象不存储预测数据集。
您可以创建ClassificationPartitionedKernel
模型通过训练一个分类核模型使用fitckernel
并指定其中一个名称-值对参数:“Crossval”
,“CVPartition”
,“坚持”
,“KFold”
,或“Leaveout”
.
kfoldEdge |
交叉验证核分类模型的分类边缘 |
kfoldLoss |
交叉验证核分类模型的分类损失 |
kfoldMargin |
交叉验证核分类模型的分类裕度 |
kfoldPredict |
在交叉验证核分类模型中对观测数据进行分类 |