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

crossval

Clase: RegressionTree

El árbol de decisión validado

Sintaxis

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

Descripción

cvmodel = crossval(model) crea un modelo particionado a partir de un árbol de regresión ajustada.model De forma predeterminada, utiliza la validación cruzada de 10 veces en los datos de entrenamiento para crear.crossvalcvmodel

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

Argumentos de entrada

model

Un modelo de regresión, producido usando.fitrtree

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 cuatro opciones a la vez:,, o.'KFold''Holdout''Leaveout''CVPartition'

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 Solo puede utilizar una de estas cuatro opciones a la vez para crear un árbol con validación cruzada:,, o.'KFold''Holdout''Leaveout''CVPartition'

'KFold'

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

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

Predeterminado: 10

'Leaveout'

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

Argumentos de salida

cvmodel

Un modelo particionado de clase.RegressionPartitionedModel

Ejemplos

expandir todo

Cargue el conjunto de datos.carsmall Considere,,, y como variables predictoras.AccelerationDisplacementHorsepowerWeight

load carsmall X = [Acceleration Displacement Horsepower Weight];

Aumente un árbol de regresión utilizando todo el conjunto de datos.

Mdl = fitrtree(X,MPG);

es un modelo.MdlRegressionTree

Valide el árbol de regresión mediante la validación cruzada de 10 veces.

CVMdl = crossval(Mdl);

es un modelo con validación cruzada. almacena los diez árboles de regresión formados y compactos en la propiedad de.CVMdlRegressionPartitionedModelcrossvalTrainedCVMdl

Visualice el árbol de regresión compacta que entrenó utilizando todas las observaciones excepto las del primer pliegue.crossval

CVMdl.Trained{1}
ans =    classreg.learning.regr.CompactRegressionTree            PredictorNames: {'x1'  'x2'  'x3'  'x4'}              ResponseName: 'Y'     CategoricalPredictors: []         ResponseTransform: 'none'     Properties, Methods  

Calcule el error de generalización al calcular el error de media cuadrático con validación cruzada de 10 veces.Mdl

L = kfoldLoss(CVMdl)
L = 25.6450 

Sugerencias

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

Alternativas

Puede crear un árbol de validación cruzada directamente a partir de los datos, en lugar de crear un árbol de decisión seguido de un árbol de validación cruzada. Para ello, incluya una de estas cinco opciones en:,,,, o.fitrtree'CrossVal''KFold''Holdout''Leaveout''CVPartition'

Consulte también

|