Перекрестно проверенная, двоичная модель классификации ядра
ClassificationPartitionedKernel
является двоичной моделью классификации ядра, обученной на перекрестных проверенных складках. Можно оценить качество классификации, или как хорошо обобщается модель классификации ядра, используя одну или несколько функций «kfold»: kfoldPredict
, kfoldLoss
, kfoldMargin
, и kfoldEdge
.
Каждый метод «kfold» использует модели, обученные на обучающих-складных (in-fold) наблюдениях, чтобы предсказать ответ для валидационных-складных (out-of-fold) наблюдений. Например, предположим, что вы перекрестно проверяете с помощью пяти складок. В этом случае программное обеспечение случайным образом присваивает каждое наблюдение пяти группам равного размера (примерно). training fold содержит четыре группы (то есть примерно 4/5 данных), а validation fold - другую группу (то есть примерно 1/5 данных). В этом случае перекрестная валидация выполняется следующим образом:
Программное обеспечение обучает первую модель (хранится в CVMdl.Trained{1}
) при помощи наблюдений в последних четырех группах и резервирует наблюдения в первой группе для валидации.
Программное обеспечение обучает вторую модель (хранится в CVMdl.Trained{2}
) использование наблюдений в первой группе и трех последних группах. Программа резервирует наблюдения во второй группе для валидации.
Программа работает подобным образом для третьей, четвертой и пятой моделей.
Если вы проверяете при помощи kfoldPredict
программа вычисляет предсказания для наблюдений в групповых i с помощью i-й модели. Короче говоря, программное обеспечение оценивает ответ для каждого наблюдения с помощью модели, обученной без этого наблюдения.
Примечание
ClassificationPartitionedKernel
объекты модели не хранят набор данных предиктора.
Можно создать ClassificationPartitionedKernel
модель путем настройки модели ядра классификации с помощью fitckernel
и установка одного из следующих аргументов пары "имя-значение": 'Crossval'
, 'CVPartition'
, 'Holdout'
, 'KFold'
, или 'Leaveout'
.
kfoldEdge | Классификационные ребра для перекрестно проверенной модели классификации ядра |
kfoldLoss | Классификационные потери для перекрестно проверенной модели классификации ядра |
kfoldMargin | Классификационные поля для перекрестно проверенной модели классификации ядра |
kfoldPredict | Классифицируйте наблюдения в перекрестно проверенной модели классификации ядра |