kfoldPredict

Предскажите ответы для наблюдений в перекрестной подтвержденной модели регрессии ядра

Синтаксис

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

Симулируйте 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 RegressionPartitionedKernel модель. Это содержит свойство Trained, который является массивом ячеек 10 на 1, содержащим 10 RegressionKernel модели, что программное обеспечение обучило использование набора обучающих данных.

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

yHat = kfoldPredict(CVMdl);

yHat числовой вектор. 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 RegressionPartitionedKernel объект модели. Можно создать RegressionPartitionedKernel модель с помощью fitrkernel и определение любого того из аргументов пары "имя-значение" перекрестной проверки, например, CrossVal.

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

Выходные аргументы

свернуть все

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

Введенный в R2018b

Для просмотра документации необходимо авторизоваться на сайте