Sur certaines recherches, j'ai trouvé deux fonctions à Matlab pour faire la tâche:
cvPartition < / Fort> Fonction dans la boîte à outils Statistiques
CrossValind fonction dans la boîte à outils bioinformatique
Maintenant, j'ai utilisé le CVPartition pour créer des sous-ensembles de validation croisée N-FLIG FILEVER, ainsi que le DataSet / nominal classes de la Boîte à outils statistiques. Je me demande donc simplement quelles sont les différences entre les deux et les avantages / inconvénients de chacun?
4 Réponses :
Ils cherchent à être assez similaires basés sur les documents officiels de CVPartition et CrossValind , mais CrossValind a l'air légèrement plus flexible (il permet de laisser un départ m pour arbitraire m, tandis que cvPartition ne permet que 1 sortie).
Je sais que votre question ne fait pas directement référence à la boîte à outils réseau de neurones, mais peut-être que quelqu'un d'autre pourrait trouver cela utile. Pour obtenir vos données d'entrée d'Ann séparées dans les données de test / validation / train, utilisez la variable 'net.dividefcn' '.
net.divideFcn = 'divideind'; net.divideParam.trainInd=1:94; % The first 94 inputs are for training. net.divideParam.valInd=1:94; % The first 94 inputs are for validation. net.divideParam.testInd=95:100; % The last 5 inputs are for testing the network.
AMRO, ce n'est pas directement une réponse à votre Pour plus de détails, voir les fichiers de démonstration inclus dans l'emballage, et plus spécifiquement les fonctions CVPartition vs crossvalind question, mais il y a une contribution à l'échange de fichiers Mathworks appelé MulticlassgentleadaBoosting par l'utilisateur Sebastian Paris qui comprend un joli ensemble de fonctions pour énumérer des indices de réseau pour la formation informatique, les tests et des ensembles de validation pour les stratégies suivantes d'échantillonnage et de validation croisée:
sampling.M et sampling_set.m . .