RegressionPartitionedModel
包：ClassReg.Learning.Partition.
交叉验证的回归模型
描述
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。
施工
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。
输入参数
|
建造的回归树 |
属性
|
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 |
方法
| 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 |
复制语义
价值。要了解值类如何影响复制操作，请参见复制对象。
例子
您也可以从以下列表中选择一个网站:
