ドキュメンテーションヘルプ センタードキュメンテーション
このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。
交差検証済み分類モデルの観測値の分類
标签=kfoldPredict(CVMdl)
label=kfoldPredict(CVMdl,'IncludeInteractions',IncludeInteractions)
[标签、分数]=kfoldPredict(___)
(标签、分数、成本)= kfoldPredict (CVMdl)
例
标签=kfoldPredict(CVMdl)は、交差検証済みの分類器CVMdlで予測されたクラス ラベルを返します。kfoldPredictは、すべての分割について、学習分割観測値で学習させた分類器を使用して検証分割観測値のクラス ラベルを予測します。CVMdl.XおよびCVMdl.Yには、両方の観測値のセットが含まれます。
标签=kfoldPredict(CVMdl)
标签
CVMdl
kfoldPredict
CVMdl.X
CVMdl.Y
标签=kfoldPredict(CVMdl“包括相互作用”,包容互动)は、計算に交互作用項を含めるかどうかを指定します。この構文は一般化加法モデルにのみ適用されます。
标签=kfoldPredict(CVMdl“包括相互作用”,包容互动)
包容互动
[标签,分数]=kfoldPredict(___)は,前の構文の入力引数のいずれかを使用して,学習分割観測値で学習させた分類器を使用して予測した検証分割観測値の分類スコアを追加で返します。
[标签,分数]=kfoldPredict(___)
分数
[标签,分数,成本]=kfoldPredict(CVMdl)は,判別分析,k最近傍,単純ベイズ,および木分類器についての予測誤分類コストを追加で返します。
[标签,分数,成本]=kfoldPredict(CVMdl)
成本
すべて折りたたむ
判別分析モデルの 10分割の交差検証予測を使用して、混同行列を作成します。
鱼腥草データセットを読み込みます。Xには 150種類の花に関する花の測定値が格納されており、Yは各花の種類またはクラスの一覧です。クラスの順序を指定する変数顺序を作成します。
鱼腥草
X
Y
顺序
负载鱼腥草X=meas;y=species;order=unique(y)
订单=3x1电池{'setosa'}{'versicolor'}{'virginica'}
関数fitcdiscrを使用して、10分割の交差検証判別分析モデルを作成します。既定では、fitcdiscrにより、学習セットと検定セットで花の種類の比率がほぼ同じになることが保証されます。花のクラスの順序を指定します。
fitcdiscr
cvmdl=fitcdiscr(X,y,“KFold”,10,“类名”,订单);
検定セットの花の種類を予測します。
预测物种=kfoldPredict(cvmdl);
真のクラス値を予測したクラス値と比較する混同行列を作成します。
predictedSpecies confusionchart (y)
フィッシャーのアヤメのデータに基づいてモデルの交差検証予測を求めます。
フィッシャーのアヤメのデータセットを読み込みます。
负载鱼腥草
AdaBoostM2を使用して分類木のアンサンブルに学習をさせます。弱学習器として木の切り株を指定します。
rng (1);%为了再现性t=模板树(“MaxNumSplits”,1);Mdl=fitcensemble(MEA,物种,“方法”,“AdaBoostM2”,“学习者”,t);
10分割交差検証を使用して学習済みアンサンブルを交差検証します。
CVMdl = crossval (Mdl);
ラベルとスコアを予測された交差検証を推定します。
[elabel, escore] = kfoldPredict (CVMdl);
各クラスの最大スコアと最小スコアを表示します。
最大值(escore)
ans=1×39.3862 8.9871 10.1866
min(escore)
ans=1×30.0018 3.8359 0.9573
分类分区模型
分类分区集合
分类分区
交差検証された分割済みの分類器。分类分区模型オブジェクト、分类分区集合オブジェクトまたは分类分区オブジェクトを指定します。オブジェクトは 2.つの方法で作成できます。
次の表に記載されている学習済み分類モデルをそのオブジェクト関数克罗斯瓦尔に渡す。
克罗斯瓦尔
次の表に記載されている関数を使用して分類モデルに学習をさせ、その関数の交差検証に関する名前と値の引数のいずれかを指定する。
分类判别式
分类符号
菲特森布尔
ClassificationGAM
菲特加姆
分类KNN
菲茨康
分类朴素贝叶斯
fitcnb
分类神经网络
菲茨内特
ClassificationSVM
fitcsvm
ClassificationTree
菲茨特里
真正的
错误的
モデルの交互作用項を含めるフラグ。真正的または错误的として指定します。この引数は、一般化加法モデル (GAM)の場合のみ有効です。つまり、この引数を指定できるのは、CVMdlが分类分区である場合だけです。
CVMdlのモデル (受过训练的) に交互作用項が含まれる場合、既定値は真正的です。モデルに交互作用項が含まれない場合,値は错误的でなければなりません。
受过训练的
データ型:必然的
必然的
予測クラスラベル。直言ベクトル、逻辑ベクトル,数値ベクトル,文字配列,または文字ベクトルの细胞配列として返されます。标签のデータ型および行数はCVMdl.Yと同じです。标签の各エントリは、CVMdl.Xの対応する観測値の予測されたクラスラベルに対応します。
ホールドアウト検証の手法を使用してCVMdlを作成する (つまり、CVMdl.KFoldが1.である) 場合、学習分割観測値の标签の値は無視します。これらの値は,最も頻度が高いクラスと一致します。
CVMdl.KFold
1.
分類スコア。N行 K列の行列として返されます。Nは観測値の数 (観測値が行に含まれる場合は尺寸(CVMdl.X,1))、Kは一意のクラスの数 (大小(CVMdl.ClassNames,1)) です。分類スコア得分(i,j)は、我番目の観測値がクラスJに属する信頼度を表します。
尺寸(CVMdl.X,1)
大小(CVMdl.ClassNames,1)
得分(i,j)
我
J
ホールドアウト検証の手法を使用してCVMdlを作成する (つまり、CVMdl.KFoldが1.である) 場合、分数には学習分割観測値について楠値が含まれます。
楠
予測誤分類コスト。N行 K列の行列として返されます。Nは観測値の数 (観測値が行に含まれる場合は尺寸(CVMdl.X,1))、Kは一意のクラスの数 (大小(CVMdl.ClassNames,1)) です。値成本(i,j)は、我番目の観測値がクラスJに属するという予測の平均誤分類コストです。
成本(i,j)
メモ
この出力引数を返す場合,CVMdlは判別分析、K最近傍、単純ベイズ、または木分類器でなければなりません。
ホールドアウト検証の手法を使用してCVMdlを作成する (つまり、CVMdl.KFoldが1.である) 場合、成本には学習分割観測値について楠値が含まれます。
kfoldPredictは、対応するオブジェクト関数预测で説明されているように、予測を計算します。モデル固有の説明については、次の表に示す該当する関数预测のリファレンス ページを参照してください。
预测
使用上の注意事項および制限事項:
この関数は,GPU配列の入力引数を使ってあてはめられたk最近傍およびSVMモデルオブジェクトをサポートします。
詳細は、GPUでの MATLAB関数の実行(并行计算工具箱)を参照してください。
分类分区模型|kfoldEdge|kfoldMargin|kfoldLoss|kfoldfun
kfoldEdge
kfoldMargin
kfoldLoss
kfoldfun
この例の変更されたバージョンがあります。編集された方の例を開きますか?
次の MATLABコマンドに対応するリンクがクリックされました。
コマンドを MATLABコマンド ウィンドウに入力して実行してください。网状物ブラウザーは MATLABコマンドをサポートしていません。
选择一个网站以获取可用的翻译内容,并查看本地活动和优惠。根据您的位置,我们建议您选择:.
您还可以从以下列表中选择网站:
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家/地区站点不适合您所在位置的访问。
联系当地办事处