Класс: ClassificationDiscriminant
Классификатор перекрестного дискриминантного анализа
cvmodel = crossval(obj)
cvmodel = crossval(obj,Name,Value)
cvmodel = crossval(obj)obj, подогнанный классификатор дискриминантного анализа. По умолчанию crossval использует 10-кратную перекрестную проверку данных обучения для создания cvmodel.
cvmodel = crossval(obj,Name,Value)Name,Value аргументы пары.
|
Классификатор дискриминантного анализа, полученный с использованием |
Укажите дополнительные пары, разделенные запятыми Name,Value аргументы. Name является именем аргумента и Value - соответствующее значение. Name должен отображаться внутри кавычек. Можно указать несколько аргументов пары имен и значений в любом порядке как Name1,Value1,...,NameN,ValueN.
|
Объект класса Одновременно используйте только одну из следующих опций: По умолчанию: |
|
Проверка отсутствия проверяет указанную часть данных и использует остальные данные для обучения. Укажите числовой скаляр из |
|
Количество складок для использования в классификаторе с перекрестной проверкой, положительное целое значение больше 1. Одновременно используйте только одну из следующих опций: По умолчанию: 10 |
|
Установить в значение Одновременно используйте только одну из следующих опций: |
Создайте классификационную модель для данных радужки Фишера, а затем создайте модель перекрестной проверки. Оценка качества модели с помощью kfoldLoss.
load fisheriris
obj = fitcdiscr(meas,species);
cvmodel = crossval(obj);
L = kfoldLoss(cvmodel)
L =
0.0200Оценить прогностическую эффективность obj о данных с перекрестной проверкой с использованием методов «kfold» и свойств cvmodel, такие как kfoldLoss.
Можно создать классификатор перекрестной проверки непосредственно из данных, а не классификатор дискриминантного анализа с последующим классификатором перекрестной проверки. Для этого включите одну из этих опций в fitcdiscr: 'CrossVal', 'CVPartition', 'Holdout', 'KFold', или 'Leaveout'.
crossval | fitcdiscr | kfoldEdge | kfoldfun | kfoldLoss | kfoldMargin | kfoldPredict