cg 样本划分 matlab,机器学习数据集制作与划分MATLAB实现 – OmegaXYZ

.mat数据集说明

数据集名称GLIOMA

GIOMA包含两个矩阵，一个是实例矩阵或者叫决策变量(ins)，另一个是标签矩阵(lab)

Ins矩阵大小50*4434，说明该GLIOMA数据集有50个实例(样本)，有4434个特征，这50个实例(样本)，每一个实例有一个对应的标签lab，标签就是类别。

打开Ins矩阵，有50行说明有50个实例(样本)，有4434列说明有4434个特征(太多了显示不了)，这里面的任意一个值(标量)叫做特征值，任意一列是特征向量(列向量)，任意一行是实例向量(行向量)

打开lab矩阵

有50个标签，标签就是类别(比如1代表幼儿，2代表青年，以此类推)，可以看到这是一个具有4个类别的数据集。

数据集划分为训练集和测试集代码

10折划分

说明：①在代码目录下，新建文件夹dataset，将.mat数据集放入其中

②输入dataName是一个字符串，如数据集名称为GLIOMA.mat，则输入的dataName为 ‘GLIOMA’(不要加.mat)

③iter是算法运行的次数，运行第一次调用第一个随机划分的值，运行第i次调用第i次随机划分的值

④Indices是随机划分数据集的索引，iter = 1是生成，之后的则读取第一次生成的文件。

MATLAB

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23function [train_F,train_L,test_F,test_L] = DIVDATA10fold(dataName,iter)

file = ['dataset/',dataName,'.mat'];

load(file)

fold = 10

dataMat=ins;

len=size(dataMat,1);

maxV = max(dataMat);

minV = min(dataMat);

range = maxV-minV;

newdataMat = (dataMat-repmat(minV,[len,1]))./(repmat(range,[len,1]));

if mod(iter, 10) == 1

Indices   =  crossvalind('Kfold', length(lab), fold);

save Indices;

else

load Indices;

end

site = find(Indices==iter);

test_F = newdataMat(site,:);

test_L = lab(site);

site2 = find(Indices~=iter);

train_F = newdataMat(site2,:);

train_L =lab(site2);

end

三七划分

三七划分和十折划分类似，只是少了个输入参数和全局变量

MATLAB

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21function [train_F,train_L,test_F,test_L] = DIVDATA37(dataName)

file = ['dataset/',dataName,'.mat'];

load(file)

dataMat=ins;

len=size(dataMat,1);

%归一化

maxV = max(dataMat);

minV = min(dataMat);

range = maxV-minV;

newdataMat = (dataMat-repmat(minV,[len,1]))./(repmat(range,[len,1]));

Indices   =  crossvalind('Kfold', length(lab), 10);

site = find(Indices==1|Indices==2|Indices==3);

test_F = newdataMat(site,:);

test_L = lab(site);

site2 = find(Indices~=1&Indices~=2&Indices~=3);

train_F = newdataMat(site2,:);

train_L =lab(site2);

end