Exponenta Banner

crossvalind

Сгенерируйте индексы перекрестной проверки

свернуть все на странице

Синтаксис

cvIndices = crossvalind(cvMethod,N,M)
[train,test] = crossvalind(cvMethod,N,M)
___ = crossvalind(___,Name,Value)

Описание

пример

cvIndices = crossvalind(cvMethod,N,M) возвращает индексы cvIndices после применения cvMethod на наблюдениях N с помощью M в качестве параметра выбора.

пример

[train,test] = crossvalind(cvMethod,N,M) возвращает логические векторы train и test, представляя наблюдения, которые принадлежат набору обучающих данных и тесту (оценка) набор, соответственно. Можно задать любой поддерживаемый метод перекрестной проверки кроме 'Kfold', который принимает скалярный вывод только.

___ = crossvalind(___,Name,Value) задает дополнительные опции с помощью одного или нескольких аргументов пары "имя-значение" в дополнение к аргументам в предыдущих синтаксисах. Например, cvIndices = crossvalind('Kfold',Groups,10,'Class',{'Cancer','Control'}) задает, чтобы использовать наблюдения от Cancer и групп Control при генерации индексов с помощью 10-кратной перекрестной проверки.

Примеры

свернуть все

Скрипт Open Live Script

Создайте индексы для 10-кратной перекрестной проверки и классифицируйте данные об измерении для ирисового набора данных Фишера. Ирисовый набор данных Фишера содержит измерения ширины и длины лепестков и чашелистиков от трех разновидностей ирисовых диафрагм.

Загрузите набор данных.

load fisheriris

Создайте индексы для 10-кратной перекрестной проверки.

indices = crossvalind('Kfold',species,10);

Инициализируйте объект измерить уровень классификатора.

cp = classperf(species);

Выполните классификацию с помощью данных об измерении и сообщите о коэффициенте ошибок, который является отношением количества неправильно классифицированных выборок, разделенных на общее количество классифицированных выборок.

for i = 1:10
    test = (indices == i); 
    train = ~test;
    class = classify(meas(test,:),meas(train,:),species(train,:));
    classperf(cp,class,test);
end
cp.ErrorRate
ans = 0.0200

Предположим, что вы хотите использовать данные о наблюдении из разновидностей setosa и virginica только и исключить разновидности versicolor из перекрестной проверки.

labels = {'setosa','virginica'};
indices = crossvalind('Kfold',species,10,'Classes',labels);

indices теперь содержит нули для строк, которые принадлежат разновидностям versicolor.

Выполните классификацию снова.

for i = 1:10
    test = (indices == i); 
    train = ~test;
    class = classify(meas(test,:),meas(train,:),species(train,:));
    classperf(cp,class,test);
end
cp.ErrorRate
ans = 0.0160
Скрипт Open Live Script

Загрузите carbig набор данных.

load carbig;
x = Displacement; 
y = Acceleration;
N = length(x);

Обучайтесь вторая модель полинома степени с перекрестной проверкой "пропускают один" и оценивают усредненную ошибку перекрестной проверки.

sse = 0; % Initialize the sum of squared error.
for i = 1:100
    [train,test] = crossvalind('LeaveMOut',N,1);
    yhat = polyval(polyfit(x(train),y(train),2),x(test));
    sse = sse + sum((yhat - y(test)).^2);
end
CVerr = sse / 100
CVerr = 3.5310

Входные параметры

свернуть все

Метод перекрестной проверки, заданный как вектор символов или строка.

Эта таблица описывает допустимые методы перекрестной проверки. В зависимости от метода третий входной параметр (M) имеет различные значения и требования.

cvMethodMОписание

'Kfold'

M является параметром сгиба, обычно известным как K в K - перекрестная проверка сгиба. M должен быть положительным целым числом. Значением по умолчанию является 5.

Метод использует K - перекрестная проверка сгиба, чтобы сгенерировать индексы. Этот метод использует сгибы M-1 для обучения и последний сгиб для оценки. Метод повторяет этот процесс времена M, оставляя один различный сгиб для оценки каждый раз.

'HoldOut'

M является пропорцией наблюдений, чтобы требовать набора тестов. M должен быть скаляром между 0 и 1. Значением по умолчанию является 0.5, соответствуя 50%-й затяжке.

Метод случайным образом выбирает приблизительно наблюдения N*M, чтобы требовать теста (оценка) набор. Используя этот метод в цикле подобно использованию K - перекрестная проверка сгиба одно время вне цикла, за исключением того, что неразделенные подмножества присвоены каждой оценке.

'LeaveMOut

M является количеством наблюдений, чтобы не учесть для набора тестов. M должен быть положительным целым числом. Значением по умолчанию является 1, соответствуя перекрестной проверке "пропускает одной" (LOOCV).

Метод случайным образом выбирает наблюдения M, чтобы требовать набора оценки. Используя этот метод перекрестной проверки в цикле не гарантирует разделенные наборы оценки. Чтобы гарантировать разделенные наборы оценки, используйте 'Kfold' вместо этого.

'Resubstitution'

M должен быть задан как двухэлементный векторный [P,Q]. Каждый элемент должен быть скаляром между 0 и 1. Значением по умолчанию является [1,1], соответствуя полной перезамене.

Метод случайным образом выбирает наблюдения N*P для набора оценки и наблюдения N*Q для набора обучающих данных. Метод выбирает наборы при минимизации количества наблюдений, используемых в обоих наборах.

Q = 1-P соответствует затяжке (100*P)%.

Пример: 'Kfold'

Типы данных: char | string

Общее количество наблюдений или группирующейся информации, указанной как положительное целое число, вектор положительных целых чисел, логический вектор или массив ячеек из символьных векторов.

N может быть положительным целым числом, задающим общее количество выборок в вашем наборе данных, например.

N может также быть вектором положительных целых чисел или логических значений или массива ячеек из символьных векторов, содержа группирующуюся информацию или метки для ваших выборок. Раздел групп зависит от типа перекрестной проверки. Для 'Kfold' каждая группа разделена на подмножества M, приблизительно равняйтесь в размере. Для всех других методов приблизительно равные количества наблюдений от каждой группы выбраны для оценки (тест) набор. Набор обучающих данных содержит по крайней мере одно наблюдение от каждой группы независимо от метода перекрестной проверки, который вы используете.

Пример: 100

Типы данных: double | cell

Параметр перекрестной проверки, заданный как положительная скалярная величина между 0 и 1, положительное целое число или двухэлементный вектор. В зависимости от метода перекрестной проверки отличаются требования для M. Для получения дополнительной информации смотрите cvMethod.

Пример 5

Типы данных: double

Аргументы в виде пар имя-значение

Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми. Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: [train,test] = crossvalind('LeaveMOut',groups,1,'Min',3) задает, чтобы иметь по крайней мере три наблюдения в каждой группе в наборе обучающих данных, когда выполнение перекрестной проверки "пропускает один".

Класс или информация группы, указанная как пара, разделенная запятой, состоящая из 'Classes' и вектор положительных целых чисел, вектора символов, строки, представляют в виде строки вектор или массив ячеек из символьных векторов. Эта опция позволяет вам ограничить наблюдения только заданными группами.

Этот аргумент пары "имя-значение" применим только, когда вы задаете N как группирующую переменную. Тип данных 'Classes' должен совпадать с типом данных N. Например, если вы задаете N как массив ячеек из символьных векторов, содержащий метки класса, необходимо использовать массив ячеек из символьных векторов, чтобы задать 'Classes'. Выходные аргументы, которые вы задаете, содержат значение 0 для наблюдений, принадлежащих исключенным классам.

Пример: 'Classes',{'Cancer','Control'}

Типы данных: double | cell

Минимальное количество наблюдений для каждой группы в наборе обучающих данных, заданном как пара, разделенная запятой, состоящая из 'Min' и положительного целого числа. Устанавливание большого значения может помочь сбалансировать учебные группы, но вызывает частичную перезамену, когда существует недостаточно наблюдений.

Этот аргумент пары "имя-значение" не применим для метода 'Kfold'.

Пример: 'Min',3

Типы данных: double

Выходные аргументы

свернуть все

Индексы перекрестной проверки, возвращенные как вектор.

Если вы используете 'Kfold' в качестве метода перекрестной проверки, cvIndices содержит равный (или приблизительно равняйтесь), пропорции целых чисел 1 через M, которые задают раздел наблюдений N в M, разделили подмножества.

Для других методов перекрестной проверки cvIndices является логическим вектором, содержащим 1 с для наблюдений, которые принадлежат набору обучающих данных и 0s для наблюдений, которые принадлежат тесту (оценка) набор.

Набор обучающих данных, возвращенный как логический вектор. Этот аргумент задает, какие наблюдения принадлежат набору обучающих данных.

Набор тестов, возвращенный как логический вектор. Этот аргумент задает, какие наблюдения принадлежат набору тестов.

Смотрите также

| |

Представлено до R2006a

Документация Bioinformatics Toolbox
Поддержка