主要内容

kfoldPredict

观察在旨在分类模型进行分类

所有的页面崩溃

    语法

    标签= kfoldPredict (CVMdl)
    标签= kfoldPredict (CVMdl IncludeInteractions, IncludeInteractions)
    (标签,分数)= kfoldPredict (___)
    (标签、分数、成本)= kfoldPredict (CVMdl)

    描述

    例子

    标签= kfoldPredict (CVMdl)返回类标签旨在预测的分类器CVMdl。对于每一个褶皱,kfoldPredict预测类标签使用分类器训练training-fold观测validation-fold观测。CVMdl.X和CVMdl.Y包含两组观察。

    标签= kfoldPredict (CVMdl“IncludeInteractions”,includeInteractions)指定是否包括在计算交互术语。这个语法仅适用于广义可加模型。

    例子

    (标签,分数)= kfoldPredict (___)此外回报预测分类得分validation-fold使用分类器训练training-fold观测,观测与任何输入参数的前面的语法。

    (标签,分数,成本)= kfoldPredict (CVMdl)此外返回预期的错误分类判别分析的成本,k最近的邻居,朴素贝叶斯和树分类器。

    例子

    全部折叠

    打开生活的脚本

    创建一个混合矩阵使用10倍交叉验证的预测判别分析模型。

    加载fisheriris数据集。X包含150种不同的花,花的测量y列出了物种,或类,对每一个花。创建一个变量订单指定类的顺序。

    负载fisheririsX =量;y =物种;订单=独特(y)
    订单=3 x1细胞{' setosa}{“癣”}{' virginica '}

    创建一个10倍旨在利用判别分析模型fitcdiscr函数。默认情况下,fitcdiscr确保有大致相同的训练集和测试集的比例花物种。指定的顺序花类。

    cvmdl = fitcdiscr (X, y,“KFold”10“类名”、订单);

    预测物种测试集的花朵。

    predictedSpecies = kfoldPredict (cvmdl);

    创建一个比较真实的混淆矩阵类值预测类值。

    predictedSpecies confusionchart (y)

    图包含一个ConfusionMatrixChart类型的对象。

    打开生活的脚本

    找到一个模型的交叉验证的预测基于费舍尔的虹膜数据。

    加载费雪的虹膜数据集。

    负载fisheriris

    使用AdaBoostM2训练一个分类树。指定树桩作为弱的学习者。

    rng (1);%的再现性t = templateTree (“MaxNumSplits”1);Mdl = fitcensemble(量、种类、“方法”,“AdaBoostM2”,“学习者”t);

    旨在训练整体使用10倍交叉验证。

    CVMdl = crossval (Mdl);

    估计交叉验证预测标签和分数。

    [elabel, escore] = kfoldPredict (CVMdl);

    显示每个类的最大和最小的分数。

    马克斯(escore)
    ans =1×39.3862 8.9871 10.1866
    分钟(escore)
    ans =1×30.0018 3.8359 0.9573

    输入参数

    全部折叠

    旨在分区分类,指定为一个ClassificationPartitionedModel,ClassificationPartitionedEnsemble,或ClassificationPartitionedGAM对象。你可以通过两种方式创建对象:

    • 通过训练分类模型下面的表中列出的crossval对象的功能。

    • 训练分类模型使用一个函数中列出下表,并指定一个交叉验证函数的名称参数。

    分类模型 函数
    ClassificationDiscriminant fitcdiscr
    ClassificationEnsemble fitcensemble
    ClassificationGAM fitcgam
    ClassificationKNN fitcknn
    ClassificationNaiveBayes fitcnb
    ClassificationNeuralNetwork fitcnet
    ClassificationSVM fitcsvm
    ClassificationTree fitctree

    标志包括交互模型,指定为真正的或假。这个论点是有效的只有一个广义相加模型(GAM)。也就是说,您可以指定这个论点只有当CVMdl是ClassificationPartitionedGAM。

    默认值是真正的如果模型CVMdl(CVMdl.Trained)包含交互方面。的值必须假如果模型不包含交互方面。

    数据类型:逻辑

    输出参数

    全部折叠

    预测类标签,作为分类向量,返回逻辑向量,数字矢量,字符数组或单元阵列特征向量。标签有相同的数据类型和数量的行吗CVMdl.Y。每个条目的标签对应于预测类标签对应的观察CVMdl.X。

    如果你使用抵抗验证技术来创建CVMdl(也就是说,如果CVMdl.KFold是1),然后忽略了标签值training-fold观察。这些值匹配频率最高的类。

    分类评分,作为一个返回n——- - - - - -K矩阵,n是观测的数量(尺寸(CVMdl.X, 1)当行)和观测K是独特的类(尺寸(CVMdl.ClassNames, 1))。分类分评分(i, j)代表的信心我观察属于类j。

    如果你使用抵抗验证技术来创建CVMdl(也就是说,如果CVMdl.KFold是1),然后分数有南值training-fold观察。

    预期的误分类代价,作为一个返回n——- - - - - -K矩阵,n是观测的数量(尺寸(CVMdl.X, 1)当行)和观测K是独特的类(尺寸(CVMdl.ClassNames, 1))。的值成本(i, j)平均误分类成本的预测吗我观察属于类j。

    请注意

    如果你想返回输出参数,CVMdl必须是判别分析,k最近的邻居,朴素贝叶斯、树分类器。

    如果你使用抵抗验证技术来创建CVMdl(也就是说,如果CVMdl.KFold是1),然后成本有南值training-fold观察。

    算法

    kfoldPredict所述相应的计算预测预测对象的功能。模型相关的描述,看到合适的预测下面的表函数引用页面。

    模型类型 预测函数
    判别分析分类器 预测
    集成分类器 预测
    广义相加模型分类器 预测
    k最近的邻居分类器 预测
    朴素贝叶斯分类器 预测
    神经网络分类器 预测
    万博1manbetx支持向量机分类器 预测
    二叉决策树的多类分类 预测

    扩展功能

    另请参阅

    ||||

    介绍了R2011a

    统计和机器学习工具箱文档

    万博1manbetx

    掌握机器学习:一个循序渐进的指导与MATLAB

    掌握机器学习:一个循序渐进的指导与MATLAB

    下载电子书