这个例子使用了来自UCI机器学习库的鲍鱼数据。下载数据并将其保存在当前文件夹中“abalone.data”．将数据读入表格．

可读的(“abalone.data”，“文件类型”，“文本”，“ReadVariableNames”、假);rng默认的再现率%

样本数据包含4177个观测值。所有的预测变量都是连续的，除了性，这是一个包含可能值的分类变量“米”(男性)“F”(适用于女性)，以及“我”(婴儿)。目标是预测鲍鱼身上的环数，并通过物理测量来确定它的年龄。

训练SVM回归模型，使用核尺度为2.2的高斯核函数。标准化数据。

MDL = fitrsvm(tbl，“Var9”，“KernelFunction”，“高斯”，“KernelScale”, 2.2,“标准化”,真正的);

mdl是受过训练的RegressionSVM回归模型。

使用10倍交叉验证对模型进行交叉验证。

CVMdl =交叉val(mdl)

CVMdl = classreg.learning.partition.RegressionPartitionedSVM CrossValidatedModel: 'SVM' PredictorNames: {1x8 cell} CategoricalPredictors: 1 ResponseName: 'Var9' NumObservations: 4177 KFold: 10 Partition: [1x1 cvpartition] ResponseTransform: 'none'属性，方法

CVMdl是一个RegressionPartitionedSVM交叉验证回归模型。软件:

1.随机将数据划分为10个相同大小的集。

2.在10个集合中的9个集合上训练SVM回归模型。

3.重复步骤1和2k= 10次了。它每次都省略一个分区，并在其他九个分区上进行训练。

4.结合每个折叠的泛化统计信息。

计算交叉验证模型的再替换损失。

损失= kfoldLoss(cvdl)

损失= 4.5712

这个例子使用了来自UCI机器学习库的鲍鱼数据。下载数据并将其保存在当前文件夹中“abalone.data”．将数据读入表格．

可读的(“abalone.data”，“文件类型”，“文本”，“ReadVariableNames”、假);rng默认的再现率%

样本数据包含4177个观测值。所有的预测变量都是连续的，除了性，这是一个包含可能值的分类变量“米”(男性)“F”(适用于女性)，以及“我”(婴儿)。目标是预测鲍鱼身上的环数，并通过物理测量来确定它的年龄。

训练SVM回归模型，使用具有自动核尺度的高斯核函数。标准化数据。

MDL = fitrsvm(tbl，“Var9”，“KernelFunction”，“高斯”，“KernelScale”，“汽车”，“标准化”,真正的);

mdl是受过训练的RegressionSVM回归模型。

通过指定10%的保留样本交叉验证回归模型。

CVMdl = crossval(mdl，“坚持”, 0.1)

CVMdl = classreg.learning.partition.RegressionPartitionedSVM CrossValidatedModel: 'SVM' PredictorNames: {1x8 cell}分类预测器:1 ResponseName: 'Var9' NumObservations: 4177 KFold: 1 Partition: [1x1 cvpartition] ResponseTransform: 'none

CVMdl是一个RegressionPartitionedSVM模型对象。

计算交叉验证模型的再替换损失。

损失= kfoldLoss(cvdl)

损失= 5.2499