交叉验证matlab代码

下面是一个基本的交叉验证的 MATLAB 代码实现：

% 数据集的大小
n = size(X, 1);

% 训练集的大小
trainSize = floor(n * 0.8);

% 随机打乱数据集的顺序
idx = randperm(n);

% 分割数据集为训练集和测试集
trainData = X(idx(1:trainSize), :);
trainLabels = Y(idx(1:trainSize), :);
testData = X(idx(trainSize+1:end), :);
testLabels = Y(idx(trainSize+1:end), :);

% 交叉验证的折数
k = 10;

% 分割训练集为 k 折
indices = crossvalind('Kfold', trainSize, k);

% 循环进行 k 折交叉验证
for i = 1:k
    % 获取第 i 折的训练集和测试集
    testIdx = (indices == i);
    trainIdx = ~testIdx;
    foldTrainData = trainData(trainIdx, :);
    foldTrainLabels = trainLabels(trainIdx, :);
    foldTestData = trainData(testIdx, :);
    foldTestLabels = trainLabels(testIdx, :);
    
    % 在第 i 折的训练集上训练模型
    model = train(foldTrainData, foldTrainLabels);
    
    % 在第 i 折的测试集上测试模型
    predictions = predict(model, foldTestData);
    
    % 计算第 i 折的分类准确率
    accuracy = sum(predictions == foldTestLabels) / length(foldTestLabels);
    
    % 输出第 i 折的分类准确率
    fprintf('Cross-validation fold %d accuracy: %.2f%%\n', i, accuracy * 100);
end

上述代码中，`X` 是数据集，`Y` 是标签，`trainSize` 是训练集大小，`k` 是交叉验证的折数。`crossvalind` 函数用于将训练集分割为 k 折，然后循环进行 k 折交叉验证，每次使用一个不同的训练集和测试集进行模型训练和测试，最后输出每个折的分类准确率。