Exponenta Banner
exponenta event banner

kfoldPredict

Прогнозирование ответов для наблюдений в модели перекрестной регрессии ядра

свернуть все на странице

Синтаксис

YHat = kfoldPredict (CVMdl)

Описание

пример

YHat = kfoldPredict(CVMdl) возвращает предсказанные ответы с перекрестной проверкой с помощью модели регрессии ядра с перекрестной проверкой CVMdl. То есть, для каждого раза, kfoldPredict предсказывает ответы для наблюдений, которые он проводит в валидацию, в то время как он тренируется, используя все другие наблюдения в тренировку.

Примеры

свернуть все

Открыть сценарий в реальном времени

Моделирование данных образца:

rng(0,'twister'); % For reproducibility
n = 1000;
x = linspace(-10,10,n)';
y = 1 + x*2e-2 + sin(x)./x + 0.2*randn(n,1);

Перекрестная проверка регрессионной модели ядра.

CVMdl = fitrkernel(x,y,'CrossVal','on');

По умолчанию fitrkernel реализует 10-кратную перекрестную проверку. CVMdl является RegressionPartitionedKernel модель. Он содержит свойство Trained, который представляет собой массив ячеек 10 на 1 10 RegressionKernel модели, которые программное обеспечение обучило с использованием обучающего набора.

Прогнозировать ответы для наблюдений, которые fitrkernel не использовал при обучении складки.

yHat = kfoldPredict(CVMdl);

yHat - числовой вектор. Отображение первых пяти прогнозируемых ответов.

yHat(1:5)
ans = 5×1

    1.0769
    1.0744
    1.0758
    1.0781
    1.0795

Входные аргументы

свернуть все

Перекрестно проверенная модель регрессии ядра, указанная как RegressionPartitionedKernel объект модели. Можно создать RegressionPartitionedKernel модель с использованием fitrkernel и указание любого из аргументов пары имя-значение перекрестной проверки, например, CrossVal.

Для получения оценок, kfoldPredict применяет те же данные, которые используются для перекрестной проверки регрессионной модели ядра (см. X входной аргумент на fitrkernel страница).

Выходные аргументы

свернуть все

Перекрестно проверенные прогнозируемые ответы, возвращенные в виде числового массива n-by-1, где n - количество наблюдений в данных предиктора, используемых для создания CVMdl (см. X входной аргумент на fitrkernel страница).

См. также

| | |

Представлен в R2018b

Документация по инструментам для статистического и машинного обучения

Поддержка