包:ClassReg.Learning.Partition.
交叉验证的回归模型
RegressionPartitionedModel
是一组回归模型,在交叉验证的折叠上培训。使用一个或多个“kfold”方法,通过交叉验证估计回归质量:Kfoldpredict
那Kfoldloss.
,kfoldfun
。每个“KFOLD”方法使用培训的模型在折叠的观察中预测对折叠异观的响应。例如,假设您使用五个折叠交叉验证。在这种情况下,每次训练折叠大约包含4/5的数据,每个测试折叠都包含大约1/5的数据。存储在第一个模型训练{1}
训练有素X
和y
与第一个1/5排除在外,存储在第二种模型训练{2}
训练有素X
和y
第二个1/5被排除在外,等等。你打电话的时候Kfoldpredict
,它使用第一个模型计算前1/5数据的预测,使用第二个模型计算后1/5数据的预测,以此类推。简而言之,每一次观察的反应都是由Kfoldpredict
使用没有观察到的模型。
从回归树中创建交叉验证的分类模型。对于语法详细信息,请参阅cvmodel.
= Crossval(树
)横梁
方法参考页面。
cvmodel = fitrtree(x,y,名称,值)
创建交叉验证的模型名称
是其中之一'横向'
那'kfold'
那'坚持'
那'忽略'
, 要么“CVPartition”
。对于语法详细信息,请参阅fitrtree.
功能参考页面。
|
建造的回归树 |
|
数字预测器的Bin边缘,指定为单元数组P.数字向量,在哪里P.是预测器的数量。每个矢量包括用于数字预测器的箱边缘。用于分类预测器的单元阵列中的元素是空的,因为软件没有箱分类预测器。 只有当您指定 您可以重现Binned Predictor数据 x = mdl.x;%predictor数据xbinned = zeros(size(x));边缘= mdl.bineges;%查找箱预测因子的指数。idxnumeric = find(〜cellfun(@ isempty,边));如果是iscumn(idxnumeric)idxnumeric = idxnumeric';j = idxnumeric x = x(:,j);如果x是表,%将x转换为数组。如果是Istable(x)x = table2array(x);结束%X通过使用X进入垃圾箱
xbinned. 包含数字预测器的容器索引,范围从1到容器数量。xbinned. 对于分类预测器,值为0。如果X 包含南 s,然后相应的xbinned. 价值是南 s。 |
|
分类预测索引指定为正整数的向量。 |
|
交叉验证模型的名称,字符向量。 |
|
交叉验证树中使用的折叠数,正整数。 |
|
持有参数的对象 |
|
课程的分区 |
|
预测器变量的一个小区数组,按照它们出现的顺序 |
|
响应变量的名称 |
|
转换原始响应值(均方误差)的函数句柄。函数句柄应该接受一个包含响应值的矩阵,并返回一个相同大小的矩阵。默认的字符向量 添加或更改 ctree.responsetransform = @函数 |
|
训练有素的学习者,一个紧凑回归模型的细胞阵列。 |
|
的比例 |
|
预测值的矩阵或表格。每列 |
|
数字列向量,具有相同的行数为 |
Kfoldloss. | 划分回归模型的交叉验证损失 |
Kfoldpredict | 预测不用于培训的观察的响应 |
kfoldfun | 交叉验证函数 |
价值。要了解值类如何影响复制操作,请参见复制对象。