crossval

交叉验证判别分析分类器

语法

cvmodel = crossval (obj) cvmodel = crossval (obj、名称、值)

cvmodel= crossval (obj）从创建分区模型obj，拟合判别分析分类器。默认情况下,crossval在训练数据上使用10倍交叉验证来创建cvmodel．

cvmodel= crossval (obj，名称,值）用一个或多个指定的附加选项创建分区模型名称,值对参数。

obj

判别分析分类器，产生使用fitcdiscr．

指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名-值参数必须出现在其他参数之后，但对的顺序并不重要。

在R2021a之前，名称和值之间用逗号隔开，并括起来的名字在报价。

`CVPartition`	对象的类`cvpartition`，由`cvpartition`函数。`crossval`将数据分割为子集`cvpartition`．一次只使用其中一个选项:`“CVPartition”`，`“坚持”`，`“KFold”`,或`“Leaveout”`．默认值:`［］`
`坚持`	坚持验证对数据的指定部分进行测试，并使用其余数据进行训练。指定数值标量`0`来`1`．一次只使用其中一个选项:`“CVPartition”`，`“坚持”`，`“KFold”`,或`“Leaveout”`．
`KFold`	在交叉验证的分类器中使用的折叠数，大于1的正整数。一次只使用其中一个选项:`“CVPartition”`，`“坚持”`，`“KFold”`,或`“Leaveout”`．默认值:10
`Leaveout`	设置为`“上”`对于遗漏一个交叉验证。一次只使用其中一个选项:`“CVPartition”`，`“坚持”`，`“KFold”`,或`“Leaveout”`．

为Fisher虹膜数据创建分类模型，然后创建交叉验证模型。评估模型使用的质量kfoldLoss．

Load fishiris obj = fitcdiscr(meas,species);cvmodel = crossval (obj);L = kfoldLoss(cvmodel

您可以直接从数据创建交叉验证分类器，而不是创建一个鉴别分析分类器，然后再创建一个交叉验证分类器。要做到这一点，请在fitcdiscr：“CrossVal”，“CVPartition”，“坚持”，“KFold”,或“Leaveout”．