包裹:classreg.learning.partition
超:ClassificationPartitionedModel
用于高维数据二值分类的交叉验证线性模型
ClassificationPartitionedLinear
是一组在交叉验证褶皱上训练的线性分类模型。为了得到一个交叉验证的线性分类模型,使用fitclinear
并指定交叉验证选项之一。你可以使用一种或多种“kfold”方法来估计分类的质量,或者线性分类模型的泛化程度:kfoldPredict
那kfoldLoss
那kfoldMargin
,kfoldEdge
.
每次训练的对折的意见“kfold”方法使用模型来预测出倍观测的响应。例如,假设用5重,你交叉验证。在这种情况下,软件随机分配各观察为五个大致同样大小的组。这培训倍包含基团的四(即,大致数据的4/5)和测试倍包含另一组(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}
),使用后四组的观察结果,保留第一组的观察结果作验证。
软件训练第二个模型,它被储存在CVMdl.Trained {2}
,利用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。
在第三到第五个模型中,软件以类似的方式运行。
如果验证通过调用kfoldPredict
,它用第一种模型计算第一组观测结果的预测,用第二种模型计算第二组观测结果的预测,以此类推。简而言之,该软件对每一个观察结果都使用未经观察而训练的模型进行估计。
笔记
ClassificationPartitionedLinear
模型对象不存储预测数据集。
CVMdl = fitclinear (X, Y,名称,值)
创建一个交叉验证,线性分类模型时的名字
或者是'CrossVal'
那“CVPartition”
那“坚持”
,或“KFold”
.有关详细信息,请参见fitclinear
.
kfoldEdge | 未用于训练的观测值的分类边缘 |
kfoldLoss | 训练中未使用的观察值的分类损失 |
kfoldMargin | 训练中未使用的观察值的分类边距 |
kfoldPredict | 预测不用于训练的观察值的标签 |
价值。要了解值类如何影响复制操作,请参见复制对象.