crossval

Синтаксис

cvens = crossval(ens)
cvens = crossval(ens,Name,Value)

Описание

cvens = crossval(ens) создает перекрестно проверенный ансамбль из ens, классификационный ансамбль. По умолчанию это 10-кратная перекрестная валидация.

cvens = crossval(ens,Name,Value) создает перекрестно проверенный ансамбль с дополнительными опциями, заданными одним или несколькими Name,Value аргументы в виде пар. Можно задать несколько аргументы пары "имя-значение" в любом порядке как Name1,Value1,…,NameN,ValueN.

Входные параметры

ens

Классификационный ансамбль, созданный с fitcensemble.

Аргументы в виде пар имя-значение

Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN.

'cvpartition'

Раздел класса cvpartition. Устанавливает раздел для перекрестной валидации.

Используйте не более одной из пар "имя-значение" cvpartition, holdout, kfold, или leaveout.

'holdout'

Holdout проверяет указанную долю данных и использует остальную часть данных для обучения. Задайте числовой скаляр из 0 на 1. Для создания перекрестно проверенного дерева можно использовать только одну из следующих четырех опций 'kfold', 'holdout', 'leaveout', или 'cvpartition'.

'kfold'

Количество складок для перекрестной валидации, числовая положительная скалярная величина больше 1.

Используйте не более одной из пар "имя-значение" 'kfold', 'holdout', 'leaveout', или 'cvpartition'.

'leaveout'

Если 'on', используйте кросс-аут валидации.

Используйте не более одной из пар "имя-значение" 'kfold', 'holdout', 'leaveout', или 'cvpartition'.

'nprint'

Частота распечатки, положительный целочисленный скаляр. Используйте этот параметр, чтобы наблюдать обучение складок перекрестной валидации.

По умолчанию: 'off', что означает отсутствие распечатки

Выходные аргументы

cvens

Перекрестно проверенный классификационный ансамбль класса ClassificationPartitionedEnsemble.

Примеры

расширить все

Создайте перекрестно проверенную классификационную модель для данных радужной оболочки глаза Фишера и оцените ее качество с помощью kfoldLoss способ.

Загрузите набор данных радужной оболочки глаза Фишера.

load fisheriris

Обучите ансамбль из 100 бустерных классификационных деревьев с помощью AdaBoostM2.

t = templateTree('MaxNumSplits',1); % Weak learner template tree object
ens = fitcensemble(meas,species,'Method','AdaBoostM2','Learners',t);

Создайте перекрестно проверенный ансамбль из ens и найдите ошибку классификации, усредненную по всем складкам.

rng(10,'twister') % For reproducibility
cvens = crossval(ens);
L = kfoldLoss(cvens)
L = 0.0533

Альтернативы

Можно создать ансамбль перекрестной валидации непосредственно из данных, вместо создания ансамбля, за которым следует ансамбль перекрестной валидации. Для этого включите один из этих пяти опций в fitcensemble: 'crossval', 'kfold', 'holdout', 'leaveout', или 'cvpartition'.

Для просмотра документации необходимо авторизоваться на сайте