Exponenta Banner

kfoldPredict

Предскажите ответы для наблюдений в перекрестной подтвержденной модели регрессии

свернуть все на странице

    Синтаксис

    yfit = kfoldPredict(CVMdl)
    yfit = kfoldPredict(CVMdl,'IncludeInteractions',includeInteractions)

    Описание

    пример

    yfit = kfoldPredict(CVMdl) возвращает ответы, предсказанные перекрестной подтвержденной моделью CVMdl регрессии. Для каждого сгиба, kfoldPredict предсказывает ответы для наблюдений сгиба валидации с помощью модели, обученной на наблюдениях учебного сгиба. CVMdl.X и CVMdl.Y содержите оба набора наблюдений.

    yfit = kfoldPredict(CVMdl,'IncludeInteractions',includeInteractions) задает, включать ли периоды взаимодействия в расчеты. Этот синтаксис применяется только к обобщенным аддитивным моделям.

    Примеры

    свернуть все

    Скрипт Open Live Script

    Когда вы создаете перекрестную подтвержденную модель регрессии, можно вычислить среднеквадратическую ошибку (MSE) при помощи kfoldLoss объектная функция. В качестве альтернативы можно предсказать ответы для наблюдений сгиба валидации с помощью kfoldPredict и вычислите MSE вручную.

    Загрузите carsmall набор данных. Задайте данные о предикторе X и данные об ответе Y.

    load carsmall
X = [Cylinders Displacement Horsepower Weight];
Y = MPG;

    Обучите перекрестную подтвержденную модель дерева регрессии. По умолчанию программное обеспечение реализует 10-кратную перекрестную проверку.

    rng('default') % For reproducibility
CVMdl = fitrtree(X,Y,'CrossVal','on');

    Вычислите 10-кратную перекрестную проверку MSE при помощи kfoldLoss.

    L = kfoldLoss(CVMdl)
    L = 29.4963

    Предскажите ответы yfit при помощи перекрестной подтвержденной модели регрессии. Вычислите среднеквадратическую ошибку между yfit и истинные ответы CVMdl.Y. Вычисленный MSE совпадает со значением потерь, возвращенным kfoldLoss.

    yfit = kfoldPredict(CVMdl);
mse = mean((yfit - CVMdl.Y).^2)
    mse = 29.4963

    Входные параметры

    свернуть все

    Перекрестная подтвержденная разделенная модель регрессии в виде RegressionPartitionedModel, RegressionPartitionedEnsemble, RegressionPartitionedGAM, или RegressionPartitionedSVM объект. Можно создать двумя способами:

    • Передайте обученную модель регрессии, перечисленную в следующей таблице к crossval объектная функция.

    • Обучите модель регрессии использование функции, перечисленной в следующей таблице, и задайте один из аргументов значения имени перекрестной проверки для функции.

    Модель регрессииФункция
    RegressionEnsemblefitrensemble
    RegressionGAMfitrgam
    RegressionGPfitrgp
    RegressionNeuralNetworkfitrnet
    RegressionSVMfitrsvm
    RegressionTreefitrtree

    Отметьте, чтобы включать периоды взаимодействия модели в виде true или false. Этот аргумент допустим только для обобщенной аддитивной модели (GAM). Таким образом, можно задать этот аргумент только когда CVMdl RegressionPartitionedGAM.

    Значением по умолчанию является true если модели в CVMdl (CVMdl.Trained) содержите периоды взаимодействия. Значением должен быть false если модели не содержат периоды взаимодействия.

    Типы данных: логический

    Выходные аргументы

    свернуть все

    Предсказанные ответы, возвращенные как n-by-1 числовой вектор, где n является количеством наблюдений. (n является size(CVMdl.X,1) когда наблюдения находятся в строках.) Каждая запись yfit соответствует предсказанному ответу для соответствующей строки CVMdl.X.

    Если вы используете метод валидации затяжки, чтобы создать CVMdl (то есть, если CVMdl.KFold 1), затем yfit имеет NaN значения для наблюдений учебного сгиба.

    Смотрите также

    | | | |

    Введенный в R2011a

    Документация Statistics and Machine Learning Toolbox

    Поддержка