Перекрестная подтвержденная, бинарная модель классификации ядер
ClassificationPartitionedKernel
является бинарной моделью классификации ядер, обученной на перекрестных подтвержденных сгибах. Можно оценить качество классификации, или как хорошо модель классификации ядер делает вывод, с помощью одной или нескольких функций “kfold”: kfoldPredict
, kfoldLoss
, kfoldMargin
и kfoldEdge
.
Каждые “kfold” модели использования метода, обученные на учебном сгибе, (окутывают) наблюдения, чтобы предсказать ответ для сгиба валидации наблюдения (из сгиба). Например, предположите, что вы перекрестный подтверждаете использование пяти сгибов. В этом случае программное обеспечение случайным образом присваивает каждое наблюдение в пять групп равного размера (примерно). training fold содержит четыре из групп (то есть, примерно 4/5 данных), и validation fold содержит другую группу (то есть, примерно 1/5 данных). В этом случае перекрестная проверка продолжает можно следующим образом:
Программное обеспечение обучает первую модель (сохраненный в CVMdl.Trained{1}
) при помощи наблюдений в последних четырех группах и резервирует наблюдения в первой группе для валидации.
Программное обеспечение обучает вторую модель (сохраненный в CVMdl.Trained{2}
) использование наблюдений в первой группе и последних трех группах. Программное обеспечение резервирует наблюдения во второй группе для валидации.
Программное обеспечение продолжает подобным способом для третьих, четвертых, и пятых моделей.
Если вы подтверждаете при помощи kfoldPredict
, программное обеспечение вычисляет прогнозы для наблюдений в группе i при помощи i th модель. Короче говоря, программное обеспечение оценивает ответ для каждого наблюдения при помощи модели, обученной без того наблюдения.
Объекты модели ClassificationPartitionedKernel
не хранят набор данных предиктора.
Можно создать модель ClassificationPartitionedKernel
по образованию модель ядра классификации использование fitckernel
и определение одного из этих аргументов пары "имя-значение": 'Crossval'
, 'CVPartition'
, 'Holdout'
, 'KFold'
или 'Leaveout'
.
kfoldEdge | Ребро классификации для перекрестной подтвержденной модели классификации ядер |
kfoldLoss | Потеря классификации для перекрестной подтвержденной модели классификации ядер |
kfoldMargin | Поля классификации для перекрестной подтвержденной модели классификации ядер |
kfoldPredict | Классифицируйте наблюдения на перекрестную подтвержденную модель классификации ядер |