文档帮助中心文档
交叉验证分类模型的分类边界
M = kfoldMargin (CVMdl)
M = kfoldMargin (CVMdl IncludeInteractions, IncludeInteractions)
例子
米= kfoldMargin (CVMdl)返回分类的利润率通过交叉验证的分类模型得到CVMdl.对于每一个褶皱,kfoldMargin使用训练有素的分类器计算验证折叠观察的分类边距。CVMdl。X和CVMdl。Y包含这两组观测值。
米= kfoldMargin (CVMdl)
米
CVMdl
kfoldMargin
CVMdl。X
CVMdl。Y
米= kfoldMargin (CVMdl“IncludeInteractions”,includeInteractions)指定是否在计算中包含交互项。此语法仅适用于广义的加性模型。
米= kfoldMargin (CVMdl“IncludeInteractions”,includeInteractions)
includeInteractions
全部折叠
找到k的集合的页边距电离层数据。
电离层
加载电离层数据集。
负载电离层
创建一个模板树桩。
t = templateTree (“MaxNumSplits”1);
训练决策树的分类集合。指定t作为弱学习者。
t
Mdl = fitcensemble (X, Y,“方法”,“AdaBoostM1”,“学习者”t);
使用10次交叉验证对分类器进行交叉验证。
cvens = crossval (Mdl);
计算k倍边距。显示页边距的摘要统计信息。
m = kfoldMargin (cvens);marginStats =表(min (m),意味着(m),马克斯(m),...“VariableNames”, {“最小值”,“的意思是”,“马克斯”})
marginStats =1×3表最小的意思是最大 _______ ______ ______ - 11.312 7.3236 23.517
ClassificationPartitionedModel
ClassificationPartitionedEnsemble
ClassificationPartitionedGAM
交叉验证的分区分类器,指定为ClassificationPartitionedModel,ClassificationPartitionedEnsemble,或ClassificationPartitionedGAM对象。可以用两种方法创建对象:
将下表中列出的训练过的分类模型传递给它crossval对象的功能。
crossval
使用下表中列出的函数训练分类模型,并为该函数指定交叉验证的名称-值参数之一。
ClassificationDiscriminant
fitcdiscr
ClassificationEnsemble
fitcensemble
ClassificationGAM
fitcgam
ClassificationKNN
fitcknn
ClassificationNaiveBayes
fitcnb
ClassificationNeuralNetwork
fitcnet
ClassificationSVM
fitcsvm
ClassificationTree
fitctree
真正的
假
标志,以包含模型的交互条款,指定为真正的或假.这一论点仅对广义加性模型有效。也就是说,只能在以下情况下指定此参数CVMdl是ClassificationPartitionedGAM.
默认值是真正的如果模型CVMdl(CVMdl。训练有素的)包含交互术语。值必须为假如果模型不包含交互术语。
CVMdl。训练有素的
数据类型:逻辑
逻辑
分类的利润率,返回为数字向量。米是一个n- × 1向量,其中每一行是对应的观测值和n是观察的次数。(n是尺寸(CVMdl.X, 1)当观测数据成行时。)
尺寸(CVMdl.X, 1)
如果您使用拒绝验证技术来创建CVMdl(也就是说,如果CVMdl。KFold是1),然后米有南值的训练折叠观察。
CVMdl。KFold
1
南
的分类保证金对于二元分类,则为每一个观察,真实类的分类得分与虚假类的分类得分之差。的分类保证金对于多类分类,则是真实类的分类分数与虚假类的最大分类分数之差。
如果边界在相同的尺度上(也就是说,分数值基于相同的分数转换),那么它们就可以作为分类信心度量。在多个分类器中,那些产生更大的利润率的分类器更好。
kfoldMargin计算相应的分类边距保证金对象的功能。有关特定于模型的描述,请参阅相应的保证金下表中的函数引用页。
保证金
使用注意事项和限制:
该函数完全支持GPU阵列,用于以下交叉验万博1manbetx证的模型对象:
集合分类器fitcensemble
k-最近邻分类器fitcknn
万博1manbetx支持向量机分类器训练fitcsvm
二叉决策树的多类分类训练fitctree
有关更多信息,请参见在GPU上运行MATLAB函数(并行计算工具箱).
ClassificationPartitionedModel|kfoldPredict|kfoldEdge|kfoldLoss|kfoldfun
kfoldPredict
kfoldEdge
kfoldLoss
kfoldfun
我想再给你一次机会。你对这些药物有什么看法?
Ha heccho clic en enlace对应于MATLAB的一个基本指令:
从MATLAB中喷出团队introduciéndolo。Los navegadores网站不允许使用MATLAB。
选择一个网站,在可用的地方获得翻译的内容,并查看当地的事件和提供。根据您所在的位置,我们建议您选择:.
您也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站表现。其他MathWorks国家网站不适合从您的位置访问。
联系当地办事处