用于多类分类的交叉验证核纠错输出码(ECOC)模型
classificationededkernelecoc.
是由内核分类模型组成的纠错输出代码(ECOC)模型,培训交叉验证折叠。使用一个或多个“kfold”功能通过交叉验证估计分类的质量: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。的训练营包含四个组(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(存储在受过训练的{1}
)通过使用最后四组中的观察结果,并保留第一组中的观察结果以供验证。
软件训练第二个模型(存储在CVMdl.Trained{2}
)使用第一组和最后三组的观察。该软件储备在第二组中的观察结果进行验证。
对于第三、第四和第五种模型,软件以类似的方式进行。
如果使用使用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。
笔记
classificationededkernelecoc.
模型对象不存储预测器数据集。
您可以创建classificationededkernelecoc.
通过使用fitcecoc
并指定这些名称值对参数:
“学习者”
–将该值设置为'核心'
,返回的模板对象模板核
或这种模板对象的单元阵列。
其中一个论点“克罗斯瓦尔”
,'cvpartition'
,“坚持”
,“KFold”
,或“发酵剂”
.
有关详细信息,请参见fitcecoc
.
kfoldEdge |
交叉验证核ECOC模型的分类边缘 |
kfoldLoss |
交叉验证核ECOC模型的分类损失 |
Kfoldmargin. |
交叉验证核ECOC模型的分类边缘 |
kfoldPredict |
在交叉验证的内核ECOC模型中分类观察 |