Пакет: classreg.learning.partition
Суперклассы: ClassificationPartitionedModel
Перекрестный подтвержденный ансамбль классификации
ClassificationPartitionedEnsemble набор ансамблей классификации, обученных на перекрестных подтвержденных сгибах. Оцените качество классификации перекрестной проверкой с помощью одного или нескольких “kfold” методов: kfoldPredict, kfoldLoss, kfoldMargin, kfoldEdge, и kfoldfun.
Каждый “kfold” метод использует модели, обученные на, окутывают наблюдения, чтобы предсказать ответ для наблюдений из сгиба. Например, предположите, что вы пересекаетесь, подтверждают использование пяти сгибов. В этом случае каждый учебный сгиб содержит примерно 4/5 данных, и каждый тестовый сгиб содержит примерно 1/5 данных. Первая модель сохранена в Trained{1} был обучен на X и Y с первым исключенным 1/5 вторая модель сохранена в Trained{2} был обучен на X и Y со вторым исключенным 1/5, и так далее. Когда вы вызываете kfoldPredict, это вычисляет предсказания для первого 1/5 данных с помощью первой модели, для второго 1/5 данных с помощью второй модели, и так далее. Короче говоря, ответ для каждого наблюдения вычисляется kfoldPredict использование модели, обученной без этого наблюдения.
cvens = crossval(ens) создает перекрестный подтвержденный ансамбль из ens, ансамбль классификации. Для получения дополнительной информации синтаксиса смотрите crossval страница с описанием метода.
cvens = fitcensemble(X,Y,Name,Value) создает перекрестный подтвержденный ансамбль когда Name один из 'CrossVal', 'KFold', 'Holdout', 'Leaveout', или 'CVPartition'. Для получения дополнительной информации синтаксиса смотрите fitcensemble страница ссылки на функцию.
|
Границы интервала для числовых предикторов в виде массива ячеек p числовые векторы, где p является количеством предикторов. Каждый вектор включает границы интервала для числового предиктора. Элемент в массиве ячеек для категориального предиктора пуст, потому что программное обеспечение не делает интервала категориальные предикторы. Числовые предикторы интервалов программного обеспечения, только если вы задаете Можно воспроизвести сгруппированные данные о предикторе X = mdl.X; % Predictor data
Xbinned = zeros(size(X));
edges = mdl.BinEdges;
% Find indices of binned predictors.
idxNumeric = find(~cellfun(@isempty,edges));
if iscolumn(idxNumeric)
idxNumeric = idxNumeric';
end
for j = idxNumeric
x = X(:,j);
% Convert x to array if x is a table.
if istable(x)
x = table2array(x);
end
% Group x into bins by using the Xbinned содержит индексы интервала, в пределах от 1 к количеству интервалов, для числовых предикторов. Xbinned значения 0 для категориальных предикторов. Если X содержит NaNs, затем соответствующий Xbinned значениями является NaNs.
|
|
Категориальные индексы предиктора в виде вектора положительных целых чисел. |
|
Список элементов в |
|
Массив ячеек объединителей через все сгибы. |
|
Квадратная матрица, где |
|
Имя перекрестной подтвержденной модели, вектора символов. |
|
Количество сгибов используется в перекрестном подтвержденном ансамбле, положительном целом числе. |
|
Объект, содержащий параметры |
|
Количество точек данных использовало в обучении ансамбль, положительное целое число. |
|
Количество точек данных использовало в обучении каждый сгиб ансамбля, положительного целого числа. |
|
Раздел класса |
|
Массив ячеек имен для переменных предикторов, в порядке, в котором они появляются в |
|
Числовой вектор априорных вероятностей для каждого класса. Порядок элементов |
|
Имя переменной отклика |
|
Указатель на функцию для преобразования баллов или вектора символов, представляющего встроенную функцию преобразования. Добавьте или измените ens.ScoreTransform = 'function' или ens.ScoreTransform = @function |
|
Массив ячеек ансамблей обучен на сгибах перекрестной проверки. Каждый ансамбль полон, подразумевая, что он содержит свои обучающие данные и веса. |
|
Массив ячеек компактных ансамблей обучен на сгибах перекрестной проверки. |
|
Масштабированный |
|
Матрица A или таблица значений предиктора. Каждый столбец |
|
Числовой вектор, категориальный вектор, логический вектор, символьный массив или массив ячеек из символьных векторов. Каждая строка |
| kfoldEdge | Ребро классификации для наблюдений, не используемых в обучении |
| kfoldLoss | Потеря классификации для наблюдений, не используемых в обучении |
| резюме | Возобновите учебных учеников на сгибах перекрестной проверки |
| kfoldEdge | Ребро классификации для наблюдений, не используемых в обучении |
| kfoldLoss | Потеря классификации для наблюдений, не используемых в обучении |
| kfoldMargin | Поля классификации для наблюдений, не используемых в обучении |
| kfoldPredict | Предскажите ответ для наблюдений, не используемых в обучении |
| kfoldfun | Крест подтверждает функцию |
Значение. Чтобы изучить, как классы значения влияют на операции копии, смотрите Копирование Объектов (MATLAB).
ClassificationEnsemble | ClassificationPartitionedModel | RegressionPartitionedEnsemble | fitctree