crossval

Крест подтверждает ансамбль

Синтаксис

cvens = crossval(ens)
cvens = crossval(ens,Name,Value)

Описание

cvens = crossval(ens) создает перекрестный подтвержденный ансамбль из ens, ансамбль классификации. Значением по умолчанию является 10-кратная перекрестная проверка.

cvens = crossval(ens,Name,Value) создает перекрестный подтвержденный ансамбль с дополнительными опциями, заданными одним или несколькими Name,Value парные аргументы. Можно задать несколько аргументов пары "имя-значение" в любом порядке как Name1,Value1,…,NameN,ValueN.

Входные параметры

ens

Ансамбль классификации, созданный с fitcensemble.

Аргументы в виде пар имя-значение

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.

'cvpartition'

Раздел класса cvpartition. Устанавливает раздел для перекрестной проверки.

Используйте не больше, чем одну из пар "имя-значение" cvpartition, holdout, kfold, или leaveout.

'holdout'

Валидация затяжки тестирует заданную часть данных и использует остальную часть данных для обучения. Задайте числовой скаляр от 0 к 1. Можно только использовать одну из этих четырех опций за один раз для создания перекрестного подтвержденного дерева: 'kfold', 'holdout', 'leaveout', или 'cvpartition'.

'kfold'

Количество сгибов для перекрестной проверки, числовая положительная скалярная величина, больше, чем 1.

Используйте не больше, чем одну из пар "имя-значение" 'kfold', 'holdout', 'leaveout', или 'cvpartition'.

'leaveout'

Если 'on', используйте перекрестную проверку, "пропускают один".

Используйте не больше, чем одну из пар "имя-значение" 'kfold', 'holdout', 'leaveout', или 'cvpartition'.

'nprint'

Частота распечатки, положительный целочисленный скаляр. Используйте этот параметр, чтобы наблюдать обучение сгибов перекрестной проверки.

Значение по умолчанию: 'off', значение никакой распечатки

Выходные аргументы

cvens

Перекрестный подтвержденный ансамбль классификации класса ClassificationPartitionedEnsemble.

Примеры

развернуть все

Создайте перекрестную подтвержденную модель классификации для ирисовых данных Фишера и оцените его качество с помощью kfoldLoss метод.

Загрузите ирисовый набор данных Фишера.

load fisheriris

Обучите ансамбль 100 повышенных деревьев классификации с помощью AdaBoostM2.

t = templateTree('MaxNumSplits',1); % Weak learner template tree object
ens = fitcensemble(meas,species,'Method','AdaBoostM2','Learners',t);

Создайте перекрестный подтвержденный ансамбль из ens и найдите ошибку классификации усредненной по всем сгибам.

rng(10,'twister') % For reproducibility
cvens = crossval(ens);
L = kfoldLoss(cvens)
L = 0.0533

Альтернативы

Можно создать ансамбль перекрестной проверки непосредственно из данных, вместо того, чтобы создать ансамбль, сопровождаемый ансамблем перекрестной проверки. Для этого включайте одну из этих пяти опций в fitcensemble: 'crossval', 'kfold', 'holdout', 'leaveout', или 'cvpartition'.

Смотрите также

|

Для просмотра документации необходимо авторизоваться на сайте