ClassificationPartitionedModel
包:classreg.learning.partition
交叉验证的分类模型
描述
ClassificationPartitionedModel
是一组基于交叉验证折叠训练的分类模型。使用一种或多种“kfold”方法,通过交叉验证来评估分类的质量:kfoldPredict
,kfoldLoss
,kfoldMargin
,kfoldEdge
,kfoldfun
.
每一种“kfold”方法都使用折叠内观测训练的模型来预测折叠外观测的响应。例如,假设您使用五倍交叉验证。在这种情况下,软件将每个观察结果随机分配到五个大致相等的组。的培训褶皱包含四组(即,大约4/5的数据)和测试褶皱包含另一组(即,大约1/5的数据)。在这种情况下,交叉验证的过程如下:
该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,保留第一组的观察结果进行验证。该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,保留第二组的观察结果进行验证。软件以类似的方式处理第三到第五种型号。
如果您通过调用验证kfoldPredict
,它用第一个模型计算第1组观测值的预测,用第二个模型计算第2组观测值的预测,依此类推。简而言之,该软件使用未经该观察而训练的模型估计每个观察结果的响应。
建设
根据分类模型创建交叉验证的分类模型(CVMdl
= crossval (Mdl
)Mdl
).
另外:
CVDiscrMdl = fitcdiscr(X,Y,Name,Value)
CVKNNMdl = fitcknn(X,Y,名称,值)
CVNetMdl = fitcnet(X,Y,名称,值)
CVNBMdl = fitcnb(X,Y,名称,值)
CVSVMMdl = fitcsvm(X,Y,名称,值)
CVTreeMdl = fitctree(X,Y,名称,值)
创建交叉验证模型时的名字
要么是“CrossVal”
,“KFold”
,“坚持”
,“Leaveout”
,或“CVPartition”
.有关语法的详细信息,请参见fitcdiscr
,fitcknn
,fitcnet
,fitcnb
,fitcsvm
,fitctree
.
输入参数
|
分类模型:一种分类模型,指定为下列之一: |
属性
|
数值预测器的Bin边,指定为的单元格数组p数字向量,其中p是预测器的数量。每个向量都包含数值预测器的bin边。类别预测器的单元格数组中的元素为空,因为软件不收纳类别预测器。 的情况下,软件才会收纳数字预测器 您可以重新生成归档的预测器数据 X = mdl.X;%预测数据Xbinned = 0 (size(X));边= mdl.BinEdges;查找已装箱预测器的索引。idxNumeric = find(~cellfun(@isempty,edges));if iscolumn(idxNumeric) idxNumeric = idxNumeric';end for j = idxNumeric x = x (:,j);如果x是表,则将x转换为数组。If istable(x) x = table2array(x);方法将x分组到箱子中
Xbinned 包含数值预测器的bin索引,范围从1到bin的数量。Xbinned 类别预测器的值为0。如果X 包含南 S,那么对应的Xbinned 值是南 年代。 |
||||||||||||||||||||
|
分类预测指标,指定为正整数的向量。假设预测数据包含成行的观察结果, 如果 |
||||||||||||||||||||
|
用于训练模型的惟一类标签,指定为类别或字符数组、逻辑或数字向量或字符向量的单元格数组。 |
||||||||||||||||||||
|
方阵,其中 如果 CVModel。成本= CostMatrix; |
||||||||||||||||||||
|
交叉验证模型的名称,它是一个字符向量。 |
||||||||||||||||||||
|
交叉验证模型中使用的折叠数,为正整数。 |
||||||||||||||||||||
|
的对象保持参数 |
||||||||||||||||||||
|
存储的训练数据中的观察数 |
||||||||||||||||||||
|
类的划分 |
||||||||||||||||||||
|
预测器变量名,指定为字符向量的单元格数组。元素的顺序 |
||||||||||||||||||||
|
每种类别的先验概率的数字向量。元素的顺序 如果 CVModel。之前= priorVector; |
||||||||||||||||||||
|
响应变量名,指定为字符向量。 |
||||||||||||||||||||
|
分数转换,指定为字符向量或函数句柄。 更改分数转换函数为
|
||||||||||||||||||||
|
训练有素的学习者,这是一个单元阵列的紧凑分类模型。 |
||||||||||||||||||||
|
的比例 |
||||||||||||||||||||
|
预测值的矩阵或表格 |
||||||||||||||||||||
|
类别或字符数组、逻辑或数字向量或字符向量的单元格数组,指定每个观察的类标签。的每一项 |
对象的功能
收集 |
的集合属性统计和机器学习工具箱图形处理器对象 |
kfoldEdge |
交叉验证分类模型的分类边缘 |
kfoldLoss |
交叉验证分类模型的分类损失 |
kfoldMargin |
交叉验证分类模型的分类裕度 |
kfoldPredict |
用交叉验证的分类模型对观测数据进行分类 |
kfoldfun |
用于分类的交叉验证函数 |
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
提示
要估计经过训练的、交叉验证的支持向量机分类器的后验概率,请使用fitSVMPosterior
.