Перекрестная проверенная модель ядра для регрессии
RegressionPartitionedKernel
- набор регрессионных моделей ядра, обученный на перекрестно проверенных складках. Чтобы получить перекрестно проверенную регрессионую модель ядра, используйте fitrkernel
и укажите один из опций перекрестной проверки. Можно оценить прогнозирующее качество модели или как хорошо обобщается линейная регрессионая модель, используя один или несколько из этих методов «kfold»: kfoldPredict
и kfoldLoss
.
Каждый метод «kfold» использует модели, обученные на наблюдениях с складкой обучения, чтобы предсказать ответ для наблюдений с складкой валидации. 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}
) использование 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.
Аналогичным образом программное обеспечение протекает для моделей с третьей по пятую.
Если вы подтверждаете, вызывая kfoldPredict
, он вычисляет предсказания для наблюдений в группе 1, используя первую модель, группу 2 для второй модели и так далее. Короче говоря, программное обеспечение оценивает ответ для каждого наблюдения, используя модель, обученную без этого наблюдения.
Примечание
RegressionPartitionedKernel
объекты модели не хранят набор данных предиктора.
Создайте RegressionPartitionedKernel
использование объекта fitrkernel
функция. Используйте один из 'CrossVal'
, 'CVPartition'
, 'Holdout'
, 'KFold'
, или 'Leaveout'
аргументы пары "имя-значение" в вызове fitrkernel
. Для получения дополнительной информации смотрите fitrkernel
страница с описанием функции.
kfoldLoss | Регрессионые потери для перекрестно проверенной модели регрессии ядра |
kfoldPredict | Предсказать ответы на наблюдения в перекрестно проверенной регрессионой модели ядра |