Перекрестная подтвержденная обобщенная аддитивная модель (GAM) для регрессии
RegressionPartitionedGAM
набор обобщенных аддитивных моделей, обученных на перекрестных подтвержденных сгибах. Оцените качество перекрестной подтвержденной регрессии при помощи одной или нескольких функций kfold: kfoldPredict
, kfoldLoss
, и kfoldfun
.
Каждые модели использования функции объекта kfold, обученные на учебном сгибе, (окутывают) наблюдения, чтобы предсказать ответ для сгиба валидации наблюдения (из сгиба). Например, предположите, что вы перекрестный подтверждаете использование пяти сгибов. Программное обеспечение случайным образом присваивает каждое наблюдение в пять групп равного размера (примерно). training fold содержит четыре из групп (примерно 4/5 данных), и validation fold содержит другую группу (примерно 1/5 данных). В этом случае перекрестная проверка продолжает можно следующим образом:
Программное обеспечение обучает первую модель (сохраненный в CVMdl.Trained{1}
) при помощи наблюдений в последних четырех группах и резервов наблюдения в первой группе для валидации.
Программное обеспечение обучает вторую модель (сохраненный в CVMdl.Trained{2}
) при помощи наблюдений в первой группе и последних трех группах. Программное обеспечение резервирует наблюдения во второй группе для валидации.
Программное обеспечение продолжает подобным образом для третьих, четвертых, и пятых моделей.
Если вы подтверждаете при помощи kfoldPredict
, программное обеспечение вычисляет предсказания для наблюдений в группе i при помощи i th модель. Короче говоря, программное обеспечение оценивает ответ для каждого наблюдения при помощи модели, обученной без того наблюдения.
Можно создать RegressionPartitionedGAM
модель двумя способами:
Создайте перекрестную подтвержденную модель из объекта GAM RegressionGAM
при помощи crossval
объектная функция.
Создайте перекрестную подтвержденную модель при помощи fitrgam
функция и определение одного из аргументов 'CrossVal'
значения имени,
'CVPartition'
, 'Holdout'
, 'KFold'
, или 'Leaveout'
.
kfoldPredict | Предскажите ответы для наблюдений в перекрестной подтвержденной модели регрессии |
kfoldLoss | Потеря для перекрестной подтвержденной разделенной модели регрессии |
kfoldfun | Перекрестный подтвердите функцию для регрессии |