crossval

Класс: ClassificationDiscriminant

Перекрестный подтвержденный классификатор дискриминантного анализа

Синтаксис

cvmodel = crossval(obj)
cvmodel = crossval(obj,Name,Value)

Описание

cvmodel = crossval(obj) создает разделенную модель из obj, подходящего классификатора дискриминантного анализа. По умолчанию crossval использует 10-кратную перекрестную проверку на данных тренировки, чтобы создать cvmodel.

cvmodel = crossval(obj,Name,Value) создает разделенную модель с дополнительными опциями, заданными одним или несколькими аргументами пары Name,Value.

Входные параметры

obj

Классификатор дискриминантного анализа, произведенное использование fitcdiscr.

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.

'CVPartition'

Объект класса cvpartition, созданный функцией cvpartition. crossval разделяет данные в подмножества с cvpartition.

Используйте только одну из этих опций за один раз: 'CVPartition', 'Holdout', 'KFold' или 'Leaveout'.

Значение по умолчанию: []

'Holdout'

Валидация затяжки тестирует заданную часть данных и использует остальную часть данных для обучения. Задайте числовой скаляр от 0 до 1. Используйте только одну из этих опций за один раз: 'CVPartition', 'Holdout', 'KFold' или 'Leaveout'.

'KFold'

Количество сгибов, чтобы использовать в перекрестном подтвержденном классификаторе, положительное целочисленное значение, больше, чем 1.

Используйте только одну из этих опций за один раз: 'CVPartition', 'Holdout', 'KFold' или 'Leaveout'.

Значение по умолчанию: 10

'Leaveout'

Установите на 'on' для перекрестной проверки, "пропускают один".

Используйте только одну из этих опций за один раз: 'CVPartition', 'Holdout', 'KFold' или 'Leaveout'.

Примеры

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

Советы

  • Оцените прогнозирующую производительность obj на перекрестных подтвержденных данных с помощью “kfold” методов и свойств cvmodel, таких как kfoldLoss.

Альтернативы

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'.

Для просмотра документации необходимо авторизоваться на сайте