crossval

类：RegressionTree

交叉验证决策树

扩大所有页面

句法

cvmodel = crossval（模型）
cvmodel = crossval（型号，名称，值）

描述

cvmodel= crossval（模型）从创建分区模型模型，拟合回归树。默认，crossval采用交叉验证在训练数据10倍以产生cvmodel。

cvmodel= crossval（模型，名称，值）创建具有额外的选项的一个或多个指定的分区模型名称，值对参数。

输入参数

模型

回归模型，制作使用fitrtree。

名称 - 值对参数

指定可选的用逗号分隔的对名称，值参数。名称是参数的名称和值是对应的值。名称必须出现引号内。您可以按照任何顺序指定多个名称和值对参数名1，值1，...，NameN，值N。

'CVPartition'

类对象cvpartition通过创建cvpartition功能。crossval数据分成与子集cvpartition。

只能使用在同一时间这四个选项之一：'KFold'，'坚持'，'忽略'， 要么'CVPartition'。

默认：[]

'坚持'

躲起来的验证测试数据的指定分数，并使用该数据的其他部分进行训练。指定一个来自数字标0至1。您只能使用这四个选项一次一个用于创建交叉验证树：'KFold'，'坚持'，'忽略'， 要么'CVPartition'。

'KFold'

褶皱的数目在一个交叉验证树，正整数值大于1来使用。

只能使用在同一时间这四个选项之一：'KFold'，'坚持'，'忽略'， 要么'CVPartition'。

默认：10

'忽略'

调成'上'为留一交叉验证。

输出参数

cvmodel

类的分区模式RegressionPartitionedModel。

例子

展开全部

开立真实脚本

加载carsmall数据集。考虑促进，移位，马力和重量作为预测变量。

加载carsmallX = [加速位移马力重量];

使用整个数据集的增长回归树。

MDL = fitrtree（X，MPG）;

MDL是RegressionTree模型。

交叉验证使用回归树10倍交叉验证。

CVMdl = crossval（MDL）;

CVMdl是RegressionPartitionedModel交叉验证模型。crossval商店十训练有素，在紧凑回归树熟练财产CVMdl。

显示紧凑回归树crossval使用所有的观测，除了那些在第一折训练。

CVMdl.Trained {1}
ANS = classreg.learning.regr.CompactRegressionTree PredictorNames：{X1 '×2' '×3' '×4'} ResponseName： 'Y' CategoricalPredictors：[] ResponseTransform： '无' 的属性，方法

估计泛化误差MDL通过计算10倍交叉验证的均方误差。

L = kfoldLoss（CVMdl）
L = 25.6450

提示

  • 评估的预测性能模型上使用“kfold”方法和属性交叉验证数据cvmodel， 如kfoldLoss。

备择方案

您可以直接从数据创建，而不是创建一个决策树，然后交叉验证树交叉验证树。要做到这一点，包括这五个选项之一fitrtree：'CrossVal'，'KFold'，'坚持'，'忽略'， 要么'CVPartition'。

也可以看看

|

统计和机器学习工具箱文档
万博1manbetx
掌握机器学习：有步骤，分步指南与MATLAB

掌握机器学习：有步骤，分步指南与MATLAB

下载电子书