Класс: ClassificationDiscriminant
Перекрестный подтвержденный классификатор дискриминантного анализа
cvmodel = crossval(obj)
cvmodel = crossval(obj,Name,Value)
cvmodel = crossval(obj)obj, подходящий классификатор дискриминантного анализа. По умолчанию, crossval использует 10-кратную перекрестную проверку на обучающих данных, чтобы создать cvmodel.
cvmodel = crossval(obj,Name,Value)Name,Value парные аргументы.
|
Классификатор дискриминантного анализа, произведенное использование |
Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.
|
Объект класса Используйте только одну из этих опций за один раз: Значение по умолчанию: |
|
Валидация затяжки тестирует заданную часть данных и использует остальную часть данных для обучения. Задайте числовой скаляр от |
|
Количество сгибов, чтобы использовать в перекрестном подтвержденном классификаторе, положительное целочисленное значение, больше, чем 1. Используйте только одну из этих опций за один раз: Значение по умолчанию: 10 |
|
Установите на Используйте только одну из этих опций за один раз: |
Создайте модель классификации для ирисовых данных Фишера, и затем создайте модель перекрестной проверки. Оцените качество модель с помощью kfoldLoss.
load fisheriris
obj = fitcdiscr(meas,species);
cvmodel = crossval(obj);
L = kfoldLoss(cvmodel)
L =
0.0200Оцените прогнозирующую эффективность obj на перекрестных подтвержденных данных с помощью “kfold” методов и свойств cvmodel, такой как kfoldLoss.
Можно создать классификатор перекрестной проверки непосредственно из данных, вместо того, чтобы создать классификатор дискриминантного анализа, сопровождаемый классификатором перекрестной проверки. Для этого включайте одну из этих опций в fitcdiscr: 'CrossVal', 'CVPartition', 'Holdout', 'KFold', или 'Leaveout'.
crossval | fitcdiscr | kfoldEdge | kfoldfun | kfoldLoss | kfoldMargin | kfoldPredict