kfoldEdge
分类边缘旨在内核分类模型
描述
例子
估计k倍交叉验证边缘
加载电离层
数据集。这个数据集有34个预测因子和351二进制响应雷达的回报,这也贴上坏(“b”
)或好(‘g’
)。
负载电离层
旨在一个二进制内核使用的数据分类模型。
CVMdl = fitckernel (X, Y,“Crossval”,“上”)
CVMdl = ClassificationPartitionedKernel CrossValidatedModel:“内核”ResponseName:“Y”NumObservations: 351 KFold: 10个分区:[1 x1 cvpartition]类名:{b ' g '} ScoreTransform:“没有一个”属性,方法
CVMdl
是一个ClassificationPartitionedKernel
模型。默认情况下,软件实现了10倍交叉验证。指定一个不同的折叠,使用“KFold”
名称-值对参数代替“Crossval”
。
估计旨在分类边缘。
边缘= kfoldEdge (CVMdl)
边缘= 1.5585
或者,您可以获得per-fold边缘通过指定名称-值对“模式”,“个人”
在kfoldEdge
。
特征选择使用k倍的边缘
执行特征选择进行比较k倍边缘从多个模型。仅仅根据这一标准,分类器的最大优势是最好的分类器。
加载电离层
数据集。这个数据集有34个预测因子和351二进制响应雷达的回报,这也贴上坏(“b”
)或好(‘g’
)。
负载电离层
随机选择一半的预测变量。
rng (1);%的再现性p =大小(X, 2);%的预测数量idxPart = randsample (p,装天花板(0.5 * p));
旨在两个二进制内核分类模型:一个使用所有的预测,以及使用预测的一半。
CVMdl = fitckernel (X, Y,“CrossVal”,“上”);PCVMdl = fitckernel (X (:, idxPart), Y,“CrossVal”,“上”);
CVMdl
和PCVMdl
是ClassificationPartitionedKernel
模型。默认情况下,软件实现了10倍交叉验证。指定一个不同的折叠,使用“KFold”
名称-值对参数代替“Crossval”
。
估计k为每个分类器倍边缘。
fullEdge = kfoldEdge (CVMdl)
fullEdge = 1.5142
partEdge = kfoldEdge (PCVMdl)
partEdge = 1.8910
基于k倍边缘,使用的分类器预测的一半是更好的模型。
输入参数
CVMdl
- - - - - -旨在,二进制内核分类模型
ClassificationPartitionedKernel
模型对象
旨在,二进制内核分类模型,指定为一个ClassificationPartitionedKernel
模型对象。您可以创建一个ClassificationPartitionedKernel
模型通过使用fitckernel
并指定任何一个交叉验证的名称-值对参数。
获得的估计,kfoldEdge
应用旨在内核使用的相同的数据分类模型(X
和Y
)。
名称-值参数
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。
例子:kfoldEdge (CVMdl“模式”,“个人”)
返回分类为每个折边。
折叠
- - - - - -褶皱指数预测
1:CVMdl.KFold
(默认)|正整数的数值向量
褶皱指数预测,指定为逗号分隔组成的“折叠”
和正整数的数值向量。的元素折叠
一定范围内1
来CVMdl.KFold
。
在指定的软件只使用折叠折叠
为预测。
例子:“折叠”,[1 4 10]
数据类型:单
|双
模式
- - - - - -聚合级输出
“平均”
(默认)|“个人”
聚合级别为输出,指定为逗号分隔组成的“模式”
和“平均”
或“个人”
。
此表描述了值。
价值 | 描述 |
---|---|
“平均” |
输出是一个标量平均折叠。 |
“个人” |
的输出是一个向量的长度k包含一个值/褶皱,k是折叠的数量。 |
例子:“模式”,“个人”
输出参数
更多关于
分类的优势
的分类的优势是分类的加权平均数的利润率。
选择在多个分类器的一种方式,例如进行特征选择,是选择收益最大的边缘的分类器。
分类保证金
的分类保证金二进制分类,对每个观察,真正的类的分类得分之间的差异和分类评分错误类。
软件定义了二进制分类的分类边界
x是一个观察。如果真正的标签x是积极的类,然后呢y是1,否则和1。f(x)是观察positive-class分类评分x。分类通常被定义为:米=yf(x)。
如果利润相同的规模,那么他们作为分类信心措施。在多个分类器,那些产生更大的利润更好。
分类分
内核的分类模型,原始分类分分类的观察x一个行向量,到积极的类定义
是一个转换的观察特性的扩张。
β是估计的列向量的系数。
b估计是标量的偏见。
原始的分类分分类x负类−f(x)。软件将观察分为类产生一个积极的分数。
如果内核分类模型由逻辑回归的学习者,那么软件应用分对数的
分数转换原始分类得分(见ScoreTransform
)。
版本历史
介绍了R2018bR2022a:kfoldEdge
返回一个不同的值与默认的成本矩阵模型
如果你指定一个默认的成本矩阵训练输入模型对象时,kfoldEdge
函数返回一个不同的值与以前版本相比。
的kfoldEdge
函数使用存储在观察权重W
财产。这个函数使用的方式W
属性值没有改变。然而,属性值存储在一个模型的输入模型对象改变了默认的成本矩阵,所以函数可以返回不同的值。
属性值变化的细节,请参阅成本属性存储指定的成本矩阵。
如果你想要处理的软件成本矩阵,先验概率,和观察权重在以前的版本中,调整默认的成本的先验概率和观察权重矩阵,描述调整先验概率和观察权重误分类代价矩阵。然后,当你训练一个分类模型,指定调整先验概率和观察权重通过使用之前
和权重
名称-值参数,分别使用默认成本矩阵。
MATLAB命令
你点击一个链接对应MATLAB命令:
运行该命令通过输入MATLAB命令窗口。Web浏览器不支持MATLAB命令。万博1manbetx
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。