Класс: ClassificationDiscriminant
Перекрестный подтвержденный классификатор дискриминантного анализа
cvmodel = crossval(obj)
cvmodel = crossval(obj,Name,Value)
создает разделенную модель из cvmodel
= crossval(obj
)obj
, подходящего классификатора дискриминантного анализа. По умолчанию crossval
использует 10-кратную перекрестную проверку на данных тренировки, чтобы создать cvmodel
.
создает разделенную модель с дополнительными опциями, заданными одним или несколькими аргументами пары 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 = 0.0200
Оцените 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