Симулируйте 10 000 наблюдений из этой модели

rng(1) % For reproducibility
n = 1e4;
d = 1e3;
nz = 0.1;
X = sprandn(n,d,nz);
Y = X(:,100) + 2*X(:,200) + 0.3*randn(n,1);

Перекрестный подтвердите модель линейной регрессии.

CVMdl = fitrlinear(X,Y,'CrossVal','on')

CVMdl = 
  classreg.learning.partition.RegressionPartitionedLinear
    CrossValidatedModel: 'Linear'
           ResponseName: 'Y'
        NumObservations: 10000
                  KFold: 10
              Partition: [1x1 cvpartition]
      ResponseTransform: 'none'


  Properties, Methods

Mdl1 = CVMdl.Trained{1}

Mdl1 = 
  RegressionLinear
         ResponseName: 'Y'
    ResponseTransform: 'none'
                 Beta: [1000x1 double]
                 Bias: 0.0107
               Lambda: 1.1111e-04
              Learner: 'svm'


  Properties, Methods

По умолчанию, fitrlinear реализует 10-кратную перекрестную проверку. CVMdl RegressionPartitionedLinear модель. Это содержит свойство Trained, который является массивом ячеек 10 на 1, содержащим 10 RegressionLinear модели, что программное обеспечение обучило использование набора обучающих данных.

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

yHat = kfoldPredict(CVMdl);

Поскольку существует одна сила регуляризации в Mdl, yHat числовой вектор.

Симулируйте 10 000 наблюдений, когда в Предсказывают перекрестные Подтвержденные Ответы.

rng(1) % For reproducibility
n = 1e4;
d = 1e3;
nz = 0.1;
X = sprandn(n,d,nz);
Y = X(:,100) + 2*X(:,200) + 0.3*randn(n,1);

Создайте набор 15 логарифмически распределенных сильных мест регуляризации от $$10^{-5}$$ через $$10^{-1}$$.

Lambda = logspace(-5,-1,15);

Перекрестный подтвердите модели. Чтобы увеличить скорость выполнения, транспонируйте данные о предикторе и укажите, что наблюдения находятся в столбцах. Задайте наименьшие квадраты использования со штрафом лассо и оптимизацией использования целевой функции SpaRSA.

X = X'; 
CVMdl = fitrlinear(X,Y,'ObservationsIn','columns','KFold',5,'Lambda',Lambda,...
    'Learner','leastsquares','Solver','sparsa','Regularization','lasso');

CVMdl RegressionPartitionedLinear модель. Его Trained свойство содержит массив ячеек 5 на 1 обученного RegressionLinear модели, каждый протягивает различный сгиб во время обучения. Поскольку fitrlinear обученное использование 15 сильных мест регуляризации, можно думать о каждом RegressionLinear модель как 15 моделей.

Предскажите перекрестные подтвержденные ответы.

YHat = kfoldPredict(CVMdl);
size(YHat)

ans = 1×2

       10000          15

YHat(2,:)

ans = 1×15

   -1.7338   -1.7332   -1.7319   -1.7299   -1.7266   -1.7239   -1.7135   -1.7210   -1.7324   -1.7063   -1.6397   -1.5112   -1.2631   -0.7841   -0.0096

YHat 10000 15 матрица. YHat(2,:) перекрестный подтвержденный ответ для наблюдения 2 использования модели, упорядоченной со всеми 15 значениями регуляризации.