通过使用计算回归模型的均方误差10倍交叉验证。

加载carsmall数据集。把加速度，马力，重量和英里每加仑（MPG）的值到矩阵数据。删除包含南值。

负载carsmall数据=[加速马力重量MPG];数据(任何(isnan(数据),2),:)= [];

指定的最后一列数据，其对应于MPG，作为响应变量ÿ。的其他列数据作为预测数据X。添加者的一列X当你的回归函数使用回归，如本例所示。

注意:回归当你只需要一个回归模型的系数估计值或残留物是非常有用的。如果您需要进一步调查拟合回归模型，通过建立一个线性回归模型对象fitlm。举一个例子，它使用fitlm和crossval见计算平均绝对误差使用交叉验证。

(y =数据:4);X = [ones(length(y)，1) data(:，1:3)];

创建自定义功能regf(在本例的最后显示)。该函数对训练数据拟合一个回归模型，然后对一个测试集计算预测值。

注意:如果使用活的脚本文件，在这个例子中，regf函数已经包含在文件的末尾。否则，您需要在.m文件的末尾创建此函数，或将其作为MATLAB®路径中的文件添加。

计算默认交叉验证的回归模型预测数据10倍均方误差X和响应变量ÿ。

rng (“默认”）％用于重现cvMSE = crossval（'MSE'中，X，Y，'Predfun'@ regf）

cvMSE = 17.5399

这段代码创建了函数regf。

函数yfit = regf（Xtrain，ytrain，XTEST）B =回归（ytrain，Xtrain）;yfit = XTEST * B;结束

使用10倍交叉验证计算在数值和分类预测数据上训练的logistic回归模型的误分类误差。

加载耐心数据集。指定数值型变量舒张和收缩压还有分类变量性别作为预测，并指定抽烟者作为响应变量。

负载耐心X1 =舒张压;X2 =分类(性别);X3 =收缩压;y =吸烟者;

创建自定义功能classf(在本例的最后显示)。该功能符合逻辑回归模型的训练数据，然后进行分类测试数据。

注意:如果使用活的脚本文件，在这个例子中，classf函数已经包含在文件的末尾。否则，您需要在.m文件的末尾创建此函数，或将其作为MATLAB®路径中的文件添加。

利用预测数据计算模型的10倍交叉验证误分类误差X1，X2,X3和响应变量ÿ。指定'分层次'，Y确保训练和测试集的吸烟者比例大致相同。

rng (“默认”）％用于重现呃= crossval (“宏”，X1，X2，X3，Y，'Predfun'@classf,'分层',y)

ERR = 0.1100

这段代码创建了函数classf。

函数PRED = classf（X1train，X2train，X3train，ytrain，X1test，x2检验，X3test）Xtrain =表（X1train，X2train，X3train，ytrain，...'VariableNames',{“舒张”，'性别'，“收缩”，“吸烟者”});XTEST =表（X1test，x2检验，X3test，...'VariableNames',{“舒张”，'性别'，“收缩”});modelspec =“吸烟者〜舒张+性别+收缩压”;MDL = fitglm（Xtrain，modelspec，'分配'，“二”);Xtest yfit =预测(mdl);pred = (yfit > 0.5);结束

对于群集的一个给定的数目，计算观测及其最近的聚类中心之间的平方距离的交叉验证总和。对于比较通过十一个集群的结果。

加载fisheriris数据集。X是矩阵量，其中包含花三围为150名不同的花。

负载fisheririsX = MEAS;

创建自定义功能clustf(在本例的最后显示)。该函数执行以下步骤：

注意:如果使用活的脚本文件，在这个例子中，clustf函数已经包含在文件的末尾。否则，您需要在.m文件的末尾创建该函数，或将其作为MATLAB®路径中的文件添加。

创建一个对于环，它指定簇的数目ķ为每个迭代。对于每个固定数量的集群，传递相应的clustf功能crossval。因为crossval缺省情况下执行交叉验证的10倍，该软件计算10个求和平方距离，一个用于训练和测试数据的每个分区。把这些值的总和;结果对于簇的给定数量的平方距离的交叉验证总和。

rng (“默认”）％用于重现cvdist =零（5,1）;对于K = 1:10乐趣= @（Xtrain，XTEST）clustf（Xtrain，XTEST，K）;距离= crossval（乐趣，X）;cvdist（K）=总和（距离）;结束

绘制每个集群数量的经过交叉验证的平方距离的总和。

情节(cvdist)包含(“集群数”)ylabel (“平方距离的总和CV”）

通常，在决定使用多少集群时，要考虑与交叉验证的平方距离的显著减少相对应的集群的最大数量。对于本例，使用两个或三个集群似乎合适，但是使用三个以上的集群就不合适了。

这段代码创建了函数clustf。

函数距离= clustf（Xtrain，XTEST，K）[Ztrain，Zmean，Zstd] = zscore（Xtrain）;[〜，C] = k均值（Ztrain，K）;%创建k个集群中兴通讯= (Xtest-Zmean)。/ Zstd;d = pdist2（C，ZTEST，“欧几里得”，“最小”，1）;距离=总和（d ^ 2）;结束

通过使用计算回归模型的平均绝对误差的10倍交叉验证。

加载carsmall数据集。指定加速度和移位变量预测和重量变量作为响应。

负载carsmallX1 =加速;X2 =位移;Y =重量;

创建自定义功能regf(在本例的最后显示)。此功能适合回归模型来训练数据，然后计算在测试组预测的车重。该函数所预测的轿厢重量值与真值，然后计算平均绝对误差（MAE）和MAE调节到测试组车权重的范围内。

注意:如果使用活的脚本文件，在这个例子中，regf函数已经包含在文件的末尾。否则，您需要在.m文件的末尾创建此函数，或将其作为MATLAB®路径中的文件添加。

默认，crossval进行10倍交叉验证。对于每一个在数据的10个训练和测试组分区X1，X2,ÿ，计算使用的MAE和调整MAE值regf功能。查找平均MAE和平均调整MAE。

rng (“默认”）％用于重现值= crossval（@ regf，X1，X2，Y）

值=10×2319.2261 0.1132 342.3722 0.1240 214.3735 0.0902 174.7247 0.1128 189.4835 0.0832 249.4359 0.1003 194.4210 0.0845 348.7437 0.1700 283.1761 0.1187 210.7444 0.1325

意思是(值)

ans =1×2252.6701 0.1129

这段代码创建了函数regf。

函数错误= regf（X1train，X2train，ytrain，X1test，x2检验，ytest）tbltrain =表（X1train，X2train，ytrain，...'VariableNames',{“加速”，'移位'，“重量”});TBLTEST =表（X1test，x2检验，ytest，...'VariableNames',{“加速”，'移位'，“重量”});mdl = fitlm (tbltrain,‘重量~加速度+位移’);tbltest yfit =预测(mdl);美=意味着(abs (yfit-tbltest.Weight));adjMAE =美/范围(tbltest.Weight);error = [MAE adjMAE];结束

通过使用主成分分析（PCA）和计算出一个分类树的误分5倍交叉验证。

加载fisheriris数据集。该量矩阵包含花三围为150名不同的花。该物种变量列表物种的每朵花。

负载fisheriris

创建自定义功能classf(在本例的最后显示)。这个函数让分类树适合于训练数据，然后对测试数据进行分类。在函数内部使用PCA来减少用于创建树模型的预测器的数量。

注意:如果使用活的脚本文件，在这个例子中，classf函数已经包含在文件的末尾。否则，您需要在.m文件的末尾创建此函数，或将其作为MATLAB®路径中的文件添加。

创建一个cvpartition对象分层5倍交叉验证。默认，cvpartition确保训练和测试集有大致花卉品种相同比例。

rng (“默认”）％用于重现CVP = cvpartition（物种，'KFold'，5）;

计算5倍交叉验证误分用于与预测数据的分类树量和响应变量物种。

cvError = crossval (“宏”，MEAS，品种，'Predfun'@classf,“分区”本量利)

cvError = 0.1067

这段代码创建了函数classf。

函数yfit = classf (Xtrain ytrain Xtest)标准化训练预测数据。然后,找到%为标准化训练预测因子的主成分％数据。[Ztrain, Zmean Zstd] = zscore (Xtrain);[多项式系数,scoreTrain, ~, ~,解释说,μ)= pca (Ztrain);％找到最低数量的主要组件的帐户%，其变异率至少为95%。N =查找（cumsum（解释）> = 95,1）;％查看该标准化n个主成分得分％训练预测数据。训练分类树模型只使用这些％的分数。scoreTrain95 = scoreTrain（：，1：N）;MDL = fitctree（scoreTrain95，ytrain）;％查找变换所述n主成分得分%测试数据。对测试数据进行分类。中兴通讯= (Xtest-Zmean)。/ Zstd;scoreTest95 = (Ztest-mu) *多项式系数(:,1:n);scoreTest95 yfit =预测(mdl);结束

创建从判别分析模型的10倍交叉验证结果的混淆矩阵。

注意:使用分类当训练速度是一个问题。否则,使用fitcdiscr创建一个判别分析模型。对于示出了相同的工作流如本例的例子，但使用fitcdiscr见创建混淆矩阵使用交叉验证预测。

加载fisheriris数据集。X包含花三围为150个不同的花，ÿ列出每种花的种类。创建一个变量订单这就规定了花种的顺序。

负载fisheririsX = MEAS;Y =物种;为了=唯一的（y）的

订单=3 x1细胞“setosa”“versicolor”“virginica””

创建一个名为的函数句柄FUNC对于一个完成以下步骤的函数:

func = @ (Xtrain、ytrain Xtest、欧美)confusionmat(欧美,...分类（XTEST，Xtrain，ytrain），“秩序”、订单);

创建一个cvpartition对象为分层的10倍交叉验证。默认，cvpartition确保训练和测试集有大致花卉品种相同比例。

rng (“默认”）％用于重现本量利= cvpartition (y,“Kfold”，10）;

计算10个测试组混淆矩阵的预测数据的每个分区X和响应变量ÿ。每行confMat对应于一个测试集的混淆矩阵结果。聚合结果并创建最终的混淆矩阵与CvMat。

confMat = crossval (func, X, y,“分区”、本量利);cvMat =重塑(总和(confMat), 3、3)

cvMat =3×350 0 0 0 48 2 0 1 49

通过使用绘制混淆矩阵作为一个混淆矩阵图表confusionchart。

confusionchart（与CvMat，顺序）