我正在使用Matlab的统计和机器学习工具箱来创建决策树、集成、Knn模型等。我希望将我的数据分为训练/测试分区,然后让模型使用训练数据进行训练和交叉验证(基本上是将训练数据分为训练和验证数据),同时保留我的测试数据用于误差度量。重要的是,模型不应以任何方式使用测试数据进行训练。对于我的决策树,我有以下代码:
chess = csvread(filename);
predictors = chess(:,1:6);
class = chess(:,7);
cvpart = cvpartition(class,'holdout', 0.3);
Xtrain = predictors(training(cvpart),:);
Ytrain = class(training(cvpart),:);
Xtest = predictors(test(cvpart),:);
Ytest = class(test(cvpart),:);
% Fit the decision tree
tree = fitctree(Xtrain, Ytrain, 'CrossVal', 'on');
% Error Metrics
testingLoss = loss(tree,Xtest,Ytest,'Subtrees','all'); % Testing
resubcost = resubLoss(tree,'Subtrees','all'); % Training
[cost,secost,ntermnodes,bestlevel] = cvloss(tree,'Subtrees','all'); % Cross Val
然而,这会返回:
Undefined function 'loss' for input arguments of
type 'classreg.learning.partition.ClassificationPartitionedModel'.
在尝试查找测试错误时,我尝试了几种类似方法的组合,使用不同类型的分类算法,但由于分区数据的限制,无法将测试数据应用于交叉验证模型。我该如何将测试数据应用于交叉验证模型?