Класс: ClassificationDiscriminant
Перекрестный подтвержденный классификатор дискриминантного анализа
cvmodel = crossval(obj)
cvmodel = crossval(obj,Name,Value)
cvmodel = crossval(obj)obj, подходящего классификатора дискриминантного анализа. По умолчанию crossval использует 10-кратную перекрестную проверку на данных тренировки, чтобы создать cvmodel.
cvmodel = crossval(obj,Name,Value)Name,Value.
|
Классификатор дискриминантного анализа, произведенное использование |
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.
|
Объект класса Используйте только одну из этих опций за один раз: Значение по умолчанию: |
|
Валидация затяжки тестирует заданную часть данных и использует остальную часть данных для обучения. Задайте числовой скаляр от |
|
Количество сгибов, чтобы использовать в перекрестном подтвержденном классификаторе, положительное целочисленное значение, больше, чем 1. Используйте только одну из этих опций за один раз: Значение по умолчанию: 10 |
|
Установите на Используйте только одну из этих опций за один раз: |
Создайте модель классификации для ирисовых данных Фишера, и затем создайте модель перекрестной проверки. Оцените качество модель с помощью kfoldLoss.
load fisheriris
obj = fitcdiscr(meas,species);
cvmodel = crossval(obj);
L = kfoldLoss(cvmodel)
L =
0.0200Оцените прогнозирующую производительность obj на перекрестных подтвержденных данных с помощью “kfold” методов и свойств cvmodel, таких как kfoldLoss.
Можно создать классификатор перекрестной проверки непосредственно из данных, вместо того, чтобы создать классификатор дискриминантного анализа, сопровождаемый классификатором перекрестной проверки. Для этого включайте одну из этих опций в fitcdiscr: 'CrossVal', 'CVPartition', 'Holdout', 'KFold' или 'Leaveout'.
crossval | fitcdiscr | kfoldEdge | kfoldLoss | kfoldMargin | kfoldPredict | kfoldfun