Exponenta Banner
exponenta event banner

kfoldPredict

Предскажите ответы для наблюдений в перекрестной подтвержденной модели регрессии ядра

свернуть все на странице

Синтаксис

YHat = kfoldPredict(CVMdl)

Описание

пример

YHat = kfoldPredict(CVMdl) возвращает перекрестные подтвержденные предсказанные ответы перекрестной подтвержденной моделью CVMdl регрессии ядра. Таким образом, для каждого сгиба kfoldPredict предсказывает ответы для наблюдений, что это протягивает в сгибе валидации, в то время как это обучает использование всех других наблюдений в учебном сгибе.

Примеры

свернуть все

Скрипт Open Live Script

Моделируйте выборочные данные:

rng(0,'twister'); % For reproducibility
n = 1000;
x = linspace(-10,10,n)';
y = 1 + x*2e-2 + sin(x)./x + 0.2*randn(n,1);

Перекрестный подтвердите модель регрессии ядра.

CVMdl = fitrkernel(x,y,'CrossVal','on');

По умолчанию fitrkernel реализует 10-кратную перекрестную проверку. CVMdl является моделью RegressionPartitionedKernel. Это содержит свойство Trained, которое является массивом ячеек 10 на 1, содержащим 10 моделей RegressionKernel, что программное обеспечение обучило использование набора обучающих данных.

Предскажите ответы для наблюдений, что fitrkernel не использовал в обучении сгибы.

yHat = kfoldPredict(CVMdl);

yHat является числовым вектором. Отобразите первые пять предсказанных ответов.

yHat(1:5)
ans = 5×1

    1.0767
    1.0744
    1.0758
    1.0779
    1.0798

Входные параметры

свернуть все

Перекрестная подтвержденная модель регрессии ядра, заданная как объект модели RegressionPartitionedKernel. Можно создать модель RegressionPartitionedKernel с помощью fitrkernel и задав любой тот из аргументов пары "имя-значение" перекрестной проверки, например, CrossVal.

Чтобы получить оценки, kfoldPredict применяет те же данные, используемые, чтобы перекрестный подтвердить модель регрессии ядра (см. входной параметр X на странице fitrkernel).

Выходные аргументы

свернуть все

Перекрестные подтвержденные предсказанные ответы, возвращенные как n-by-1 числовой массив, где n является количеством наблюдений в данных о предикторе, используемых, чтобы создать CVMdl (см. входной параметр X на странице fitrkernel).

Смотрите также

| | |

Введенный в R2018b

Документация Statistics and Machine Learning Toolbox
Поддержка