Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

crossval

Clase: ClassificationDiscriminant

Clasificador de análisis discriminante de validación cruzada

Sintaxis

cvmodel = crossval(obj)
cvmodel = crossval(obj,Name,Value)

Descripción

cvmodel = crossval(obj) crea un modelo particionado a partir de un clasificador de análisis de discriminante ajustado.obj De forma predeterminada, utiliza la validación cruzada de 10 veces en los datos de entrenamiento para crear.crossvalcvmodel

cvmodel = crossval(obj,Name,Value) crea un modelo con particiones con opciones adicionales especificadas por uno o más argumentos de par.Name,Value

Argumentos de entrada

obj

Clasificador de análisis discriminante, producido utilizando.fitcdiscr

Argumentos de par nombre-valor

Especifique pares de argumentos separados por comas opcionales. es el nombre del argumento y es el valor correspondiente. deben aparecer dentro de las cotizaciones.Name,ValueNameValueName Puede especificar varios argumentos de par de nombre y valor en cualquier orden como.Name1,Value1,...,NameN,ValueN

'CVPartition'

Objeto de clase, creado por la función. divide los datos en subconjuntos con.cvpartitioncvpartitioncrossvalcvpartition

Utilice solo una de estas opciones a la vez:,, o.'CVPartition''Holdout''KFold''Leaveout'

Predeterminado: []

'Holdout'

La validación de exclusión prueba la fracción especificada de los datos y usa el resto de los datos para el entrenamiento. Especifique un escalar numérico a partir de.01 Utilice solo una de estas opciones a la vez:,, o.'CVPartition''Holdout''KFold''Leaveout'

'KFold'

Número de pliegues que se utilizarán en un clasificador con validación cruzada, un valor entero positivo mayor que 1.

Utilice solo una de estas opciones a la vez:,, o.'CVPartition''Holdout''KFold''Leaveout'

Predeterminado: 10

'Leaveout'

Se establece en para la validación cruzada de Leave-One-out.'on'

Utilice solo una de estas opciones a la vez:,, o.'CVPartition''Holdout''KFold''Leaveout'

Ejemplos

Cree un modelo de clasificación para los datos de iris de Fisher y, a continuación, cree un modelo de validación cruzada. Evalúe la calidad del modelo mediante kfoldLoss.

load fisheriris obj = fitcdiscr(meas,species); cvmodel = crossval(obj); L = kfoldLoss(cvmodel)  L =     0.0200

Sugerencias

  • Evalúe el rendimiento predictivo de los datos con validación cruzada utilizando los métodos y propiedades "kfold" de, comoobjcvmodel kfoldLoss.

Alternativas

Puede crear un clasificador de validación cruzada directamente a partir de los datos, en lugar de crear un clasificador de análisis discriminante seguido de un clasificador de validación cruzada. Para ello, incluya una de estas opciones en:,,,, o.fitcdiscr'CrossVal''CVPartition''Holdout''KFold''Leaveout'