帮助中心帮助中心
交叉验证分类模型的分类裕度
M = kfoldMargin (CVMdl)
M = kfoldMargin (CVMdl IncludeInteractions, IncludeInteractions)
例子
米= kfoldMargin (CVMdl)返回分类的利润率由交叉验证的分类模型得到CVMdl.对于每一个褶皱,kfoldMargin使用训练折叠观测训练的分类器计算验证折叠观测的分类裕度。CVMdl。X而且CVMdl。Y包含两组观察结果。
米= kfoldMargin (CVMdl)
米
CVMdl
kfoldMargin
CVMdl。X
CVMdl。Y
米= kfoldMargin (CVMdl“IncludeInteractions”,includeInteractions)指定是否在计算中包含交互项。此语法仅适用于广义加性模型。
米= kfoldMargin (CVMdl“IncludeInteractions”,includeInteractions)
includeInteractions
全部折叠
找到k分类的集合的-折叠边缘电离层数据。
电离层
加载电离层数据集。
负载电离层
创建一个树桩模板。
t = templateTree (“MaxNumSplits”1);
训练决策树的分类集合。指定t作为弱学习者。
t
Mdl = fitcensemble (X, Y,“方法”,“AdaBoostM1”,“学习者”t);
使用10倍交叉验证交叉验证分类器。
cvens = crossval (Mdl);
计算k倍边距。显示空白的汇总统计信息。
m = kfoldMargin (cvens);marginStats =表(min (m),意味着(m),马克斯(m),...“VariableNames”,{“最小值”,“的意思是”,“马克斯”})
marginStats =1×3表最小的意思是最大 _______ ______ ______ - 11.312 7.3236 23.517
ClassificationPartitionedModel
ClassificationPartitionedEnsemble
ClassificationPartitionedGAM
交叉验证的分区分类器,指定为ClassificationPartitionedModel,ClassificationPartitionedEnsemble,或ClassificationPartitionedGAM对象。你可以用两种方式创建对象:
将下表中列出的经过训练的分类模型传递给它crossval对象的功能。
crossval
使用下表中列出的函数训练分类模型,并为函数指定一个交叉验证名称-值参数。
ClassificationDiscriminant
fitcdiscr
ClassificationEnsemble
fitcensemble
ClassificationGAM
fitcgam
ClassificationKNN
fitcknn
ClassificationNaiveBayes
fitcnb
ClassificationNeuralNetwork
fitcnet
ClassificationSVM
fitcsvm
ClassificationTree
fitctree
真正的
假
标记以包括模型的交互术语,指定为真正的或假.这个论点仅对广义加性模型(GAM)有效。也就是说,只有当CVMdl是ClassificationPartitionedGAM.
默认值为真正的如果模型在CVMdl(CVMdl。训练有素的)包含交互术语。取值必须为假如果模型不包含交互项。
CVMdl。训练有素的
数据类型:逻辑
逻辑
分类的利润率,作为数字向量返回。米是一个n-by-1向量,其中每一行都是对应的观察值和的边距n是观察数。(n是尺寸(CVMdl.X, 1)当观察结果排成一行时。)
尺寸(CVMdl.X, 1)
如果使用拒绝验证技术来创建CVMdl(也就是说,如果CVMdl。KFold是1),然后米有南训练折叠观测值。
CVMdl。KFold
1
南
的分类保证金对于二元分类,对于每个观察,是真实类的分类分数与虚假类的分类分数之间的差值。的分类保证金对于多类分类,为真实类的分类分数与虚假类的最大分类分数之差。
如果差值在相同的刻度上(也就是说,评分值基于相同的评分转换),那么它们就可以作为分类置信度度量。在多个分类器中,利润率更高的分类器更好。
kfoldMargin计算相应中描述的分类边距保证金对象的功能。有关特定于模型的描述,请参阅相应的保证金功能参考页下表。
保证金
使用注意事项和限制:
该函数完全支持以下交叉验证模型对象的GPU阵列:
训练的集成分类器fitcensemble
k-训练的最近邻分类器fitcknn
支持向量机训练的分类器fitcsvm
用于训练多类分类的二叉决策树fitctree
有关更多信息,请参见在图形处理器上运行MATLAB函数(并行计算工具箱).
介绍了R2011a
ClassificationPartitionedModel|kfoldPredict|kfoldEdge|kfoldLoss|kfoldfun
kfoldPredict
kfoldEdge
kfoldLoss
kfoldfun
您有了这个示例的修改版本。您想用您的编辑打开这个示例吗?
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。
选择一个网站,在可用的地方获得翻译的内容,并查看当地的活动和优惠。根据您的地理位置,我们建议您选择:.
您也可以从以下列表中选择网站:
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。
联系当地办事处