kfoldLoss

Потеря перекрестной проверки секционированного регрессионного ансамбля

Синтаксис

L = kfoldLoss(cvens) L = kfoldLoss(cvens,Name,Value)

Описание

L = kfoldLoss(cvens) возвращает потерю перекрестной проверки cvens.

L = kfoldLoss(cvens,Name,Value) возвращает потерю перекрестной проверки с дополнительными опциями, указанными одним или несколькими Name,Value аргументы пары. Можно указать несколько аргументов пары имя-значение в любом порядке как Name1,Value1,…,NameN,ValueN.

Входные аргументы

cvens

Объект класса RegressionPartitionedEnsemble. Создать obj с fitrensemble вместе с одним из вариантов перекрестной проверки: 'crossval', 'kfold', 'holdout', 'leaveout', или 'cvpartition'. Кроме того, можно создать obj из регрессионного ансамбля с crossval.

Аргументы пары «имя-значение»

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.

'folds'

Индексы складок в диапазоне от 1 кому cvens.KFold. Используйте только эти складки для прогнозов.

По умолчанию: 1:cvens.KFold

'lossfun'

Дескриптор функции для функции потери или 'mse', что означает квадрат ошибки. При передаче дескриптора функции fun, loss называет его как

fun(Y,Yfit,W)

где Y, Yfit, и W - числовые векторы одинаковой длины.

Y является наблюдаемым ответом.
Yfit - прогнозируемый отклик.
W - вес наблюдения.

Возвращенное значение fun(Y,Yfit,W) должен быть скаляром.

По умолчанию: 'mse'

'mode'

Метод вычисления потерь перекрестной проверки.

'average' — L - скалярное значение, среднее значение потерь по всем складкам.
'individual' — L - вектор с одним элементом на единицу.
'cumulative' — L - вектор с длиной минимального числа наблюдений, используемый для тренировок в каждом такте. Каждый элемент вектора L получают, принимая среднее значение потерь по всем складкам.

По умолчанию: 'average'

Выходные аргументы

`L`	Потеря (средняя квадратичная ошибка) между наблюдениями в разы по сравнению с прогнозами, сделанными с ансамблем, обученным на нестандартных данных. `L` может быть вектором и может означать различные вещи, в зависимости от настроек пары имя-значение.

Примеры

развернуть все

Поиск потерь перекрестной проверки для ансамбля регрессии

Открыть сценарий в реальном времени

Найти потерю перекрестной проверки для регрессионного ансамбля carsmall данные.

Загрузить carsmall набор данных и выбор перемещения, лошадиных сил и веса транспортного средства в качестве предикторов.

load carsmall
X = [Displacement Horsepower Weight];

Тренируют ансамбль регрессионных деревьев.

rens = fitrensemble(X,MPG);

Создание перекрестно проверенного ансамбля из rens и найти k-кратную потерю перекрестной проверки.

rng(10,'twister') % For reproducibility
cvrens = crossval(rens);
L = kfoldLoss(cvrens)

L = 28.7114

См. также

kfoldPredict | loss | RegressionPartitionedEnsemble

Документация