k-折交叉验证(k-fold CrossValidation)

最新推荐文章于 2024-07-25 22:48:17 发布

Sophia_Liu

最新推荐文章于 2024-07-25 22:48:17 发布

阅读量1.1w

点赞数

分类专栏： MATLAB 数据分析文章标签：测试 matlab 算法 algorithm training

本文链接：https://blog.csdn.net/xiao_xia_/article/details/6906641

版权

本文介绍如何在MATLAB中应用k-折交叉验证（k-fold CrossValidation）进行算法评估。通过示例代码展示了如何将数据集随机划分为10个子集，并循环进行训练与测试，计算并输出了MLKNN算法的多个评估指标，包括HammingLoss、RankingLoss、OneError、Coverage、Average_Precision等。

摘要由CSDN通过智能技术生成

k-折交叉验证(k-fold crossValidation)：
在机器学习中，将数据集A分为训练集（training set）B和测试集（test set）C，在样本量不充足的情况下，为了充分利用数据集对算法效果进行测试，将数据集A随机分为k个包，每次将其中一个包作为测试集，剩下k-1个包作为训练集进行训练。
在matlab中，可以利用：
indices=crossvalind('Kfold',x,k);
来实现随机分包的操作，其中x为一个N维列向量（N为数据集A的元素个数，与x具体内容无关，只需要能够表示数据集的规模），k为要分成的包的总个数，输出的结果indices是一个N维列向量，每个元素对应的值为该单元所属的包的编号（即该列向量中元素是1~k的整随机数），利用这个向量即可通过循环控制来对数据集进行划分。例：

[M,N]=size(data);//数据集为一个M*N的矩阵，其中每一行代表一个样本
    indices=crossvalind('Kfold',data(1:M,N),10);//进行随机分包
    for k=1:10//交叉验证k=10，10个包轮流作为测试集
        test = (indices == k); //获得test集元素在数据集中对应的单元编号
        train = ~test;//train集元素的编号为非test元素的编号
        train_data=data(train,:);//从数据集中划分出train样本的数据
train_target=targ