Exponenta Banner
exponenta event banner

kfoldPredict

Предсказать ответы на наблюдения в перекрестно проверенной регрессионой модели ядра

Свернуть все на странице

Синтаксис

YHat = kfoldPredict(CVMdl)

Описание

пример

YHat = kfoldPredict(CVMdl) возвращает перекрестно проверенные предсказанные ответы с помощью перекрестно проверенной модели регрессии ядра CVMdl. То есть для каждой складки, kfoldPredict предсказывает ответы на наблюдения, которые он выполняет в складке валидации, в то время как он обучается, используя все другие наблюдения в складке обучения.

Примеры

свернуть все

Открыть Live Script

Симулируйте выборочные данные:

rng(0,'twister'); % For reproducibility
n = 1000;
x = linspace(-10,10,n)';
y = 1 + x*2e-2 + sin(x)./x + 0.2*randn(n,1);

Перекрестная валидация регрессионной модели ядра.

CVMdl = fitrkernel(x,y,'CrossVal','on');

По умолчанию fitrkernel реализует 10-кратную перекрестную валидацию. CVMdl является RegressionPartitionedKernel модель. Оно содержит свойство Trained, который является массивом ячеек 10 на 1, содержащим 10 RegressionKernel Модели, что программное обеспечение обучалось с использованием набора обучающих данных.

Спрогнозируйте ответы на наблюдения, которые fitrkernel не использовал при обучении складок.

yHat = kfoldPredict(CVMdl);

yHat является числовым вектором. Отображение первых пяти предсказанных ответов.

yHat(1:5)
ans = 5×1

    1.0769
    1.0744
    1.0758
    1.0781
    1.0795

Входные параметры

свернуть все

Перекрестная проверенная регрессионая модель ядра, заданная как RegressionPartitionedKernel объект модели. Можно создать RegressionPartitionedKernel модель с использованием fitrkernel и определение любого из аргументов пары "имя-значение" перекрестной проверки, например CrossVal.

Для получения оценок, kfoldPredict применяет те же данные, что и для перекрестной проверки регрессионой модели ядра (см X входной параметр на fitrkernel страница).

Выходные аргументы

свернуть все

Перекрестно проверенные предсказанные отклики, возвращенные как n-на-1 числовой массив, где n количество наблюдений в данных предиктора, используемых для создания CVMdl (см. X входной параметр на fitrkernel страница).

См. также

| | |

Введенный в R2018b

Statistics and Machine Learning Toolbox документация

Поддержка