crossval

Cross validate ансамбль

Синтаксис

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

Описание

cvens = crossval(ens) создает перекрестно проверенный ансамбль из ens, регрессионный 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

Регрессионный ансамбль, созданный с fitrensemble.

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`, и `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, положительное целое значение, больше 1. Используйте не более одной из пар "имя-значение" `'kfold'`, `'holdout'`, `'leaveout'`, или `'cvpartition'`.
`'leaveout'`	Если `'on'`, используйте перекрестную валидацию с одним выходом. 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 RegressionPartitionedEnsemble.

Примеры

расширить все

Создайте перекрестно-проверенную регрессионую модель

Открыть Live Script

Создайте перекрестно проверенную регрессионую модель для carsmall данные, и оценить его качество используя kfoldLoss способ.

Загрузите carsmall набор данных и выбор ускорения, объема, лошадиной силы и веса транспортного средства в качестве предикторов.

load carsmall;
X = [Acceleration Displacement Horsepower Weight];

Обучите регрессионный ансамбль.

rens = fitrensemble(X,MPG);

Создайте перекрестно проверенный ансамбль из rens и найдите потери перекрестной проверки.

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

L = 30.3471

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 fitrensemble: 'crossval', 'kfold', 'holdout', 'leaveout', или 'cvpartition'.

См. также

cvpartition | kfoldLoss | RegressionPartitionedEnsemble

Документация