Exponenta Banner
exponenta event banner

kfoldPredict

Прогнозирование ответов для наблюдений в модели перекрестной регрессии

свернуть все на странице

    Синтаксис

    yfit = kfoldPredict (CVMdl)
    yfit = kfoldPredict (CVMdl, «IncludeInteractions», includeInteractions)

    Описание

    пример

    yfit = kfoldPredict(CVMdl) возвращает отклики, предсказанные перекрестно проверенной регрессионной моделью CVMdl. Для каждого раза, kfoldPredict прогнозирует ответы для валидационных наблюдений с использованием модели, обученной на тренировочных наблюдениях. CVMdl.X и CVMdl.Y содержат оба набора наблюдений.

    yfit = kfoldPredict(CVMdl,'IncludeInteractions',includeInteractions) указывает, следует ли включать в вычисления элементы взаимодействия. Этот синтаксис применяется только к обобщенным аддитивным моделям.

    Примеры

    свернуть все

    Открыть сценарий в реальном времени

    При создании перекрестно проверенной регрессионной модели можно вычислить среднеквадратичную ошибку (MSE) с помощью kfoldLoss объектная функция. Кроме того, можно прогнозировать ответы для кратных проверке наблюдений с помощью kfoldPredict и вычислить MSE вручную.

    Загрузить carsmall набор данных. Укажите данные предиктора X и данные ответа Y.

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

    Обучение модели дерева перекрестной проверки 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 с помощью kfoldLoss.

    L = kfoldLoss(CVMdl)
    L = 29.4963

    Прогнозирование ответов yfit с использованием перекрестно проверенной регрессионной модели. Вычислить среднеквадратичную ошибку между yfit и истинные ответы CVMdl.Y. Вычисленный MSE соответствует значению потерь, возвращенному kfoldLoss.

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

    Входные аргументы

    свернуть все

    Перекрестно проверенная секционированная регрессионная модель, указанная как RegressionPartitionedModel, RegressionPartitionedEnsemble, RegressionPartitionedGAM, или RegressionPartitionedSVM объект. Существует два способа создания:

    • Передать тренированную регрессионную модель, указанную в следующей таблице, в crossval объектная функция.

    • Обучите регрессионную модель с помощью функции, перечисленной в следующей таблице, и укажите один из аргументов имя-значение перекрестной проверки для функции.

    Регрессионная модельФункция
    RegressionEnsemblefitrensemble
    RegressionGAMfitrgam
    RegressionGPfitrgp
    RegressionNeuralNetworkfitrnet
    RegressionSVMfitrsvm
    RegressionTreefitrtree

    Флаг для включения условий взаимодействия модели, указанный как true или false. Этот аргумент действителен только для обобщенной аддитивной модели (GAM). То есть этот аргумент можно указать только тогда, когда CVMdl является RegressionPartitionedGAM.

    Значение по умолчанию: true если модели в CVMdl (CVMdl.Trained) содержат термины взаимодействия. Значение должно быть false если модели не содержат терминов взаимодействия.

    Типы данных: logical

    Выходные аргументы

    свернуть все

    Прогнозируемые отклики, возвращаемые в виде n-by-1 числового вектора, где n - количество наблюдений. (n - size(CVMdl.X,1) когда наблюдения находятся в строках.) Каждая запись yfit соответствует прогнозируемому отклику для соответствующей строки CVMdl.X.

    При использовании метода проверки удержания для создания CVMdl (то есть, если CVMdl.KFold является 1), то yfit имеет NaN значения для тренировочных наблюдений.

    См. также

    | | | |

    Представлен в R2011a

    Документация по инструментам для статистического и машинного обучения

    Поддержка