主要内容

cvloss

类:ClassificationTree

交叉验证的分类错误

在页面中全部展开

语法

E = cvloss(树)
(E, SE) = cvloss(树)
[E、SE、Nleaf] = cvloss(树)
[E, SE, Nleaf BestLevel] = cvloss(树)
［___] = cvloss(树、名称、值)

描述

E= cvloss (树）返回交叉验证的分类错误(丢失)树，一个分类树。的cvloss方法使用分层划分来创建交叉验证集。也就是说，对于每个折叠，数据的每个分区与用于训练的数据的类比例大致相同树．

［E，SE) = cvloss (树）返回的标准错误E．

［E，SE，Nleaf) = cvloss (树）的叶的个数树．

［E，SE，Nleaf，BestLevel) = cvloss (树）返回的最佳修剪级别树．

［___) = cvloss (树，名称,值）使用由一个或多个选项指定的附加选项进行交叉验证名称,值对参数，使用任何前面的语法。可以以任意顺序指定多个名值对参数Name1, Value1,…,的家．

输入参数

全部展开

训练过的分类树，指定为ClassificationTree生成的模型对象fitctree．

名称-值参数

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。

修剪级别，指定为逗号分隔的对，由“子树”和一个由非负整数按升序或“所有”．

如果指定了一个向量，那么所有元素必须是至少的0在大多数马克斯(tree.PruneList)．0指示未修剪的完整树和马克斯(tree.PruneList)表示完全修剪的树(即仅根节点)。

如果您指定“所有”,然后cvloss操作所有子树(即整个修剪序列)。这个规范相当于使用0:马克斯(tree.PruneList)．

cvloss李子树中所示的每一级子树，然后估计相应的输出参数。的大小子树确定一些输出参数的大小。

调用子树,属性PruneList而且PruneAlpha的树必须非空的。换句话说，就是成长树通过设置“删除”,“上”，或通过修剪树使用修剪．

例子:“子树”,“所有”

数据类型:单|双|字符|字符串

树大小，指定为以下值之一:

  • “本身”- - - - - -cvloss使用最小树，其代价在最小代价的一个标准误差内。

  • “最小值”- - - - - -cvloss使用最小代价树。

例子:“TreeSize”,“最小值”

交叉验证样本的数量，指定为大于1的正整数。

例子:“KFold”,8

输出参数

全部展开

的设置，作为向量或标量返回的交叉验证分类错误(丢失)子树名称-值对。

的标准误差E属性的设置作为向量或标量返回子树名称-值对。

中的叶节点数树属性的设置作为向量或标量返回子树名称-值对。叶节点是终端节点，它给出分类，而不是分割。

最佳修剪级别，作为标量值返回。默认情况下，表示达到值的最大修剪级别的标量E在SE最小误差。如果你设置TreeSize来“最小值”，BestLevel最小的值在吗子树．

例子

全部展开

打开生活的脚本

计算默认分类树的交叉验证错误。

加载电离层数据集。

负载电离层

使用整个数据集生成一个分类树。

Mdl = fitctree (X, Y);

计算交叉验证误差。

rng (1);%的再现性E = cvloss (Mdl)
E = 0.1168

E是10倍的错误分类错误。

打开生活的脚本

应用k-fold交叉验证，为所有子树找到修剪分类树的最佳级别。

加载电离层数据集。

负载电离层

使用整个数据集生成一个分类树。查看生成的树。

Mdl = fitctree (X, Y);视图(Mdl,“模式”，“图”）

{

计算除最高修剪级别外的每个子树的5倍交叉验证误差。指定返回所有子树的最佳修剪级别。

rng (1);%的再现性m = max(mml . prunelist) - 1
m = 7
[E, ~, ~, bestLevel] = cvloss (Mdl,“子树”, 0: m,“KFold”5)
E =8×10.1282 0.1254 0.1225 0.1282 0.1282 0.1197 0.0997 0.1738
bestLevel = 6

的7修剪水平，最好的修剪水平是6．

把这棵树修剪到最好的水平。查看生成的树。

MdlPrune =修剪(Mdl,“水平”, bestLevel);视图(MdlPrune,“模式”，“图”）

{

选择

您可以用crossval,叫kfoldLoss而不是cvloss．如果您要检查交叉验证的树不止一次，那么替代方案可以节省时间。

但是,与cvloss，kfoldLoss不返回SE，Nleaf,或BestLevel．kfoldLoss也不允许您检查除分类错误以外的任何错误。

扩展功能

另请参阅

|||

Baidu
map