Пакет: classreg.learning.partition
Суперклассы: ClassificationPartitionedModel
Перекрестная подтвержденная линейная модель для бинарной классификации высоко-размерных данных
ClassificationPartitionedLinear
набор линейных моделей классификации, обученных на перекрестных подтвержденных сгибах. Чтобы получить перекрестную подтвержденную, линейную модель классификации, используйте fitclinear
и задайте одну из опций перекрестной проверки. Можно оценить качество классификации, или как хорошо линейная модель классификации делает вывод, с помощью одного или нескольких из этих “kfold” методов: kfoldPredict
, kfoldLoss
, kfoldMargin
, и kfoldEdge
.
Каждый “kfold” метод использует модели, обученные на, окутывают наблюдения, чтобы предсказать ответ для наблюдений из сгиба. Например, предположите, что вы перекрестный подтверждаете использование пяти сгибов. В этом случае программное обеспечение случайным образом присваивает каждое наблюдение в пять примерно одинаково размерных групп. training fold содержит четыре из групп (то есть, примерно 4/5 данных), и test 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}
) использование наблюдений в последних четырех группах и резервах наблюдения в первой группе для валидации.
Программное обеспечение обучает вторую модель, которая хранится 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 третьего через пятые модели.
Если вы подтверждаете путем вызова kfoldPredict
, это вычисляет предсказания для наблюдений в группе 1, использующей первую модель, группу 2 для второй модели, и так далее. Короче говоря, программное обеспечение оценивает ответ для каждого наблюдения с помощью модели, обученной без того наблюдения.
ClassificationPartitionedLinear
объекты модели не хранят набор данных предиктора.
CVMdl = fitclinear(X,Y,Name,Value)
создает перекрестную подтвержденную, линейную модель классификации когда Name
любой 'CrossVal'
, 'CVPartition'
, 'Holdout'
, или 'KFold'
. Для получения дополнительной информации смотрите fitclinear
.
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 метки для наблюдений, не используемых в обучении |
Значение. Чтобы изучить, как классы значения влияют на операции копии, смотрите Копирование Объектов (MATLAB).
ClassificationLinear
| fitclinear
| kfoldLoss
| kfoldPredict