Пакет: classreg.learning.partition
Перекрестная подтвержденная модель регрессии
RegressionPartitionedModel
набор моделей регрессии, обученных на перекрестных подтвержденных сгибах. Оцените качество регрессии перекрестной проверкой с помощью одного или нескольких “kfold” методов: kfoldPredict
, kfoldLoss
, и kfoldfun
. Каждый “kfold” метод использует модели, обученные на, окутывают наблюдения, чтобы предсказать ответ для наблюдений из сгиба. Например, предположите, что вы пересекаетесь, подтверждают использование пяти сгибов. В этом случае каждый учебный сгиб содержит примерно 4/5 данных, и каждый тестовый сгиб содержит примерно 1/5 данных. Первая модель сохранена в Trained{1}
был обучен на X
и Y
с первым исключенным 1/5 вторая модель сохранена в Trained{2}
был обучен на X
и Y
со вторым исключенным 1/5, и так далее. Когда вы вызываете kfoldPredict
, это вычисляет предсказания для первого 1/5 данных с помощью первой модели для второго 1/5 данных с помощью второй модели и так далее. Короче говоря, ответ для каждого наблюдения вычисляется kfoldPredict
использование модели, обученной без этого наблюдения.
создает перекрестную подтвержденную модель регрессии из модели регрессии (CVMdl
=
crossval(Mdl
)Mdl
).
В качестве варианта:
CVNetMdl = fitrnet(X,Y,Name,Value)
CVTreeMdl = fitrtree(X,Y,Name,Value)
создайте перекрестную подтвержденную модель когда Name
любой 'CrossVal'
, 'KFold'
, 'Holdout'
, 'Leaveout'
, или 'CVPartition'
. Для получения дополнительной информации синтаксиса смотрите fitrnet
и fitrtree
.
|
Модель регрессии в виде одного из следующего:
|
|
Границы интервала для числовых предикторов в виде массива ячеек p числовые векторы, где p является количеством предикторов. Каждый вектор включает границы интервала для числового предиктора. Элемент в массиве ячеек для категориального предиктора пуст, потому что программное обеспечение не делает интервала категориальные предикторы. Числовые предикторы интервалов программного обеспечения, только если вы задаете Можно воспроизвести сгруппированные данные о предикторе X = mdl.X; % Predictor data
Xbinned = zeros(size(X));
edges = mdl.BinEdges;
% Find indices of binned predictors.
idxNumeric = find(~cellfun(@isempty,edges));
if iscolumn(idxNumeric)
idxNumeric = idxNumeric';
end
for j = idxNumeric
x = X(:,j);
% Convert x to array if x is a table.
if istable(x)
x = table2array(x);
end
% Group x into bins by using the Xbinned содержит индексы интервала, в пределах от 1 к количеству интервалов, для числовых предикторов. Xbinned значения 0 для категориальных предикторов. Если X содержит NaN s, затем соответствующий Xbinned значениями является NaN s.
|
|
Категориальные индексы предиктора в виде вектора из положительных целых чисел. Предположение, что данные о предикторе содержат наблюдения в строках, |
|
Имя перекрестной подтвержденной модели, вектора символов. |
|
Количество сгибов используется в перекрестной подтвержденной модели, положительном целом числе. |
|
Объект, содержащий параметры |
|
Количество наблюдений в обучающих данных сохранено в |
|
Раздел класса |
|
Массив ячеек имен для переменных предикторов, в порядке, в котором они появляются в |
|
Имя переменной отклика |
|
Указатель на функцию для преобразования необработанных значений отклика (среднеквадратическая ошибка). Указатель на функцию должен принять матрицу значений отклика и возвратить матрицу, одного размера. Вектор символов по умолчанию Добавьте или измените CVMdl.ResponseTransform = @function |
|
Обученные ученики, массив ячеек компактных моделей регрессии. |
|
Масштабированный |
|
Матрица A или таблица значений предиктора. |
|
Числовой вектор-столбец. Каждая запись в |
kfoldLoss | Потеря для перекрестной подтвержденной разделенной модели регрессии |
kfoldPredict | Предскажите ответы для наблюдений в перекрестной подтвержденной модели регрессии |
kfoldfun | Перекрестный подтвердите функцию для регрессии |
Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел "Копирование объектов".
ClassificationPartitionedModel
| fitrnet
| fitrtree
| RegressionNeuralNetwork
| RegressionPartitionedEnsemble
| RegressionTree