تعلم الآلة · Machine Learning
تصنيف Iris بـ fitcknn والتحقق المتقاطع
Iris Classification with fitcknn and Cross-Validation
سير عمل كامل بـ Statistics Toolbox: تقسيم وتدريب وتقييم بمصفوفة التباس.
load fisheriris
rng(1);
cv = cvpartition(species, 'HoldOut', 0.3);
mdl = fitcknn(meas(training(cv), :), species(training(cv)), ...
'NumNeighbors', 5, 'Standardize', true);
pred = predict(mdl, meas(test(cv), :));
acc = mean(strcmp(pred, species(test(cv))));
fprintf('hold-out accuracy = %.3f\n', acc);
cvmdl = crossval(mdl, 'KFold', 10);
fprintf('10-fold loss = %.3f\n', kfoldLoss(cvmdl));
confusionchart(species(test(cv)), pred);شرح الخطوات
- cvpartition يقسم مع الحفاظ على نسب الفئات.
- Standardize يطبع الميزات داخل النموذج بإحصاءات التدريب.
- kfoldLoss خطأ التصنيف المتوسط عبر الطيات.
المخرجات المتوقعة
دقة اختبار وخطأ تحقق متقاطع يطبعان في نافذة الأوامر، ونافذة مصفوفة التباس لثلاث فئات. القيم الدقيقة تعتمد على التقسيم العشوائي؛ لم نشغّل الكود لذلك لا نعرض أرقاماً.
لم يُشغّل في بيئة إعداد المكتبة لأنه يحتاج: Statistics and Machine Learning Toolbox. المخرجات أدناه وصف لما يجب أن تراه، لا أرقام فعلية.
