kfoldLoss

Потеря перекрестной валидации секционированного регрессионого ансамбля

Синтаксис

L = kfoldLoss(cvens) L = kfoldLoss(cvens,Name,Value)

Описание

L = kfoldLoss(cvens) возвращает потерю перекрестной валидации cvens.

L = kfoldLoss(cvens,Name,Value) возвращает потери перекрестной валидации 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

cvens

Объект RegressionPartitionedEnsemble классов. Создание obj с fitrensemble наряду с одним из опций перекрестной валидации: 'crossval', 'kfold', 'holdout', 'leaveout', или 'cvpartition'. Кроме того, создайте obj из регрессионного ансамбля с crossval.

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.

'folds'

Индексы складок в диапазоне от 1 на cvens.KFold. Используйте только эти складки для предсказаний.

По умолчанию: 1:cvens.KFold

'lossfun'

Указатель на функцию потерь или 'mse', что означает среднюю квадратичную невязку. Если вы передаете указатель на функцию fun, loss вызывает его как

fun(Y,Yfit,W)

где Y, Yfit, и W являются числовыми векторами той же длины.

Y - наблюдаемая реакция.
Yfit - предсказанная реакция.
W - веса наблюдений.

Возвращенное значение fun(Y,Yfit,W) должен быть скаляром.

По умолчанию: 'mse'

'mode'

Метод для вычисления потерь перекрестной валидации.

'average' — L является скалярным значением, средними потерями по всем складкам.
'individual' — L - вектор с одним элементом на складку.
'cumulative' — L является вектором с длиной минимального количества наблюдений, используемых для обучения в каждой складке. Каждый элемент в векторе L получается путем взятия среднего значения потерь по всем складкам.

По умолчанию: 'average'

Выходные аргументы

`L`	Потеря (средняя квадратичная невязка) между наблюдениями в складке по сравнению с предсказаниями, сделанными ансамблем, обученным по несовпадающим данным. `L` может быть вектором и может означать различные вещи, в зависимости от настроек пары "имя-значение".

Примеры

расширить все

Поиск потерь для перекрестной валидации для Regression Ensemble

Открыть Live Script

Найдите потери перекрестной валидации для регрессионного ансамбля carsmall данные.

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

load carsmall
X = [Displacement Horsepower Weight];

Обучите ансамбль регрессионных деревьев.

rens = fitrensemble(X,MPG);

Создайте перекрестно проверенный ансамбль из rens и найдите k-складные потери перекрестной валидации.

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

L = 28.7114

См. также

kfoldPredict | loss | RegressionPartitionedEnsemble

Документация