主要内容

kfoldfun

旨在功能分类

所有的页面崩溃

    语法

    瓦尔斯= kfoldfun (CVMdl乐趣)

    描述

    例子

    瓦尔斯= kfoldfun (CVMdl,有趣的)旨在功能有趣的通过应用有趣的旨在模型中存储的数据CVMdl。你必须通过有趣的作为处理函数。

    例子

    全部折叠

    打开生活的脚本

    训练一个分类树分类器,然后使用一个自定义旨在它k倍损失函数。

    加载费雪的虹膜数据集。

    负载fisheriris

    训练一个分类树分类器。

    Mdl = fitctree(量、种类);

    Mdl是一个ClassificationTree模型。

    旨在Mdl使用默认10倍交叉验证。计算分类错误(观察分类错误的比例)validation-fold观察。

    rng (1);%的再现性CVMdl = crossval (Mdl);L = kfoldLoss (CVMdl,“LossFun”,“classiferror”)
    L = 0.0467

    检查结果时将一朵花作为划分的成本多色的是10和其他错误分类的成本1。创建自定义函数noversicolor(如图所示的这个例子)。这个函数属性的成本10为分类一朵花多色的和成本1对于任何其他错误分类。

    计算的平均误分类误差noversicolor成本。

    意思是(kfoldfun (CVMdl @noversicolor))
    ans = 0.2267

    这段代码创建函数noversicolor。

    函数averageCost = noversicolor (CMP, ~, ~, ~, Xtest,欧美,~)% noversicolor示例自定义交叉验证功能%属性分类的成本10多色的虹膜,和1%的虹膜。这个例子函数需要fisheriris数据%设置。Xtest Ypredict =预测(CMP);更进一步的=不(strcmp (Ypredict、欧美));%不同的结果classifiedAsVersicolor = strcmp (Ypredict,“多色的”);%指数糟糕的决策成本=(是不是)+求和…9 *和& classifiedAsVersicolor分类错误();%的总差异averageCost =成本/元素个数(欧美);平均误差百分比结束

    输入参数

    全部折叠

    旨在模型,指定为一个ClassificationPartitionedModel对象,ClassificationPartitionedEnsemble对象,或ClassificationPartitionedGAM对象。

    旨在函数,指定为一个函数处理。有趣的语法:

    testvals =乐趣(CMP、Xtrain Ytrain, Wtrain, Xtest,欧美,wte)

    • CMP是一个紧凑的模型存储在一个元素的CVMdl.Trained财产。

    • Xtrain培训矩阵的预测价值。

    • Ytrain是训练响应值的数组。

    • Wtrain是观察的训练重量。

    • Xtest和欧美相关的测试数据,重量wte。

    • 返回值testvals在所有折叠必须具有相同的大小。

    数据类型:function_handle

    输出参数

    全部折叠

    交叉验证的结果,作为一个数字矩阵返回。瓦尔斯包含的数组testvals输出,连接垂直折叠。例如,如果testvals从每一个褶皱都是数值向量的长度N,kfoldfun返回一个KFold——- - - - - -N每折一行数字矩阵。

    数据类型:双

    扩展功能

    版本历史

    介绍了R2011a

    另请参阅

    ||||