kfoldfun

Крест подтверждает функцию

расширьте все на странице

Синтаксис

vals = kfoldfun(CVMdl,fun)

Описание

пример

vals = kfoldfun(CVMdl,fun) крест подтверждает функциональный fun путем применения fun к данным, хранимым в перекрестной подтвержденной модели CVMdl. Необходимо передать fun как указатель на функцию.

Входные параметры

развернуть все

Перекрестная подтвержденная модель, заданная как модель ClassificationPartitionedECOC, модель ClassificationPartitionedEnsemble или модель ClassificationPartitionedModel.

Перекрестная подтвержденная функция, заданная как указатель на функцию. fun имеет синтаксис

testvals = fun(CMP,Xtrain,Ytrain,Wtrain,Xtest,Ytest,Wtest)

  • CMP является компактной моделью, сохраненной в одном элементе свойства CVMdl .Trained.

  • Xtrain является учебной матрицей значений предиктора.

  • Ytrain является учебным массивом значений ответа.

  • Wtrain является учебными весами для наблюдений.

  • Xtest и Ytest являются тестовыми данными со связанными весами Wtest.

  • Возвращенному значению testvals нужен тот же размер через все сгибы.

Типы данных: function_handle

Выходные аргументы

развернуть все

Результаты перекрестной проверки, возвращенные как числовая матрица. vals является массивами testvals вывод, конкатенированный вертикально по всем сгибам. Например, если testvals от каждого сгиба является числовым вектором длины N, kfoldfun возвращает KFold-by-N числовая матрица с одной строкой на сгиб.

Типы данных: double

Примеры

развернуть все

Обучите классификатор дерева классификации, и затем пересекитесь, подтверждают, он с помощью пользовательского k - сворачивает функцию потерь.

Загрузите ирисовый набор данных Фишера.

load fisheriris

Обучите классификатор дерева классификации.

Mdl = fitctree(meas,species);

Mdl является моделью ClassificationTree.

Крест подтверждает Mdl с помощью 10-кратной перекрестной проверки по умолчанию. Вычислите ошибку классификации (пропорция неправильно классифицированных наблюдений) для наблюдений из сгиба.

rng(1); % For reproducibility
CVMdl = crossval(Mdl);
L = kfoldLoss(CVMdl)
L =

    0.0467

Исследуйте результат, когда стоимостью неправильной классификации цветка как 'versicolor' является 10, и любой другой ошибкой является 1. Запишите функцию под названием noversicolor.m, который приписывает стоимость 1 для misclassification, но 10 для неправильной классификации цветка как versicolor, и сохраняет его на вашем пути MATLAB®.

function averageCost = noversicolor(CMP,Xtrain,Ytrain,Wtrain,Xtest,Ytest,Wtest)
%noversicolor Example custom cross-validation function
%   Attributes a cost of 10 for misclassifying versicolor irises, and 1 for
%   the other irises.  This example function requires the |fisheriris| data
%   set.
Ypredict = predict(CMP,Xtest);
misclassified = not(strcmp(Ypredict,Ytest)); % Different result
classifiedAsVersicolor = strcmp(Ypredict,'versicolor'); % Index of bad decisions
cost = sum(misclassified) + ...
    9*sum(misclassified & classifiedAsVersicolor); % Total differences
averageCost = cost/numel(Ytest); % Average error
end

Вычислите среднее значение misclassification ошибка со стоимостью noversicolor.

mean(kfoldfun(CVMdl,@noversicolor))

ans =

    0.2267

Смотрите также

| | | | | | |

Документация Statistics and Machine Learning Toolbox
Поддержка
Для просмотра документации необходимо авторизоваться на сайте