包:classreg.learning.partition
超类:RegressionPartitionedModel
交叉验证线性回归模型的高维数据
RegressionPartitionedLinear
是一组经过交叉验证的折叠训练的线性回归模型。要获得交叉验证的线性回归模型,请使用fitrlinear
并指定一个交叉验证选项。您可以使用一种或多种“kfold”方法来估计模型的预测质量,或线性回归模型的概括程度:kfoldPredict
和kfoldLoss
.
每一种“kfold”方法都使用经过内折观察训练的模型来预测外折观察的反应。例如,假设您使用五次折叠进行交叉验证。在这种情况下,软件将每个观察结果随机分配到五个大小大致相同的组。的培训褶皱包含四个组(即大约4/5的数据)和测试褶皱包含另一组(也就是说,大约是数据的1/5)。在这种情况下,交叉验证的过程如下:
软件训练第一个模型(存储在CVMdl。训练有素的{1}
),使用后四组的观察结果,并保留第一组的观察结果以供验证。
软件训练第二个模型(存储在CVMdl。训练有素的{2}
),使用第一组和后三组的观察结果。软件将第二组的观察结果保留下来进行验证。
软件以类似的方式进行第三到第五个模型。
如果你通过调用来验证kfoldPredict
,它使用第一种模型计算第一组观测结果的预测,使用第二种模型计算第二组观测结果的预测,以此类推。简而言之,该软件使用未经该观察而训练过的模型来估计每个观察结果的反应。
请注意
与其他交叉验证的回归模型不同,RegressionPartitionedLinear
模型对象不存储预测器数据集。
CVMdl = fitrlinear (X, Y,名称,值)
时创建交叉验证的线性回归模型的名字
要么是“CrossVal”
,“CVPartition”
,“坚持”
,或“KFold”
.更多信息请参见fitrlinear
.
kfoldLoss | 未用于训练的观察的回归损失 |
kfoldPredict | 预测未用于训练的观察结果的反应 |
价值。要了解值类如何影响复制操作,请参见复制对象.