matlab 交叉验证函数

MATLAB中提供了多种交叉验证函数，用于评估模型在未知数据上的表现，从而减少模型过拟合的风险。其中较为常用的是k-fold交叉验证函数`crossval`和留一交叉验证函数`LeaveOneOut`。

`crossval`函数可以将数据集分成k个大小相等的子集，然后进行k次训练和测试，每次选择不同的子集作为测试集，其余作为训练集。这样可以充分使用数据进行训练和验证，同时保持模型的稳定性和可靠性。

`LeaveOneOut`是一种特殊的交叉验证，其中k等于数据集的大小。也就是说，每次测试只用一个样本作为测试集，其余的作为训练集。这种方法可以尽可能地利用所有可用的数据进行模型的训练，但计算成本较高，特别是当数据集很大时。

以下是`crossval`函数的使用示例：

% 假设有一个数据集X和一个分类器
X = [1, 2; 4, 5; ...]; % 示例数据集
y = [1; 2; ...]; % 对应的目标向量

% 创建分类器模型
C = fitctree(X, y);

% 使用k-fold交叉验证，k为10
cvModel = crossval(C, 'KFold', 10);

% 查看交叉验证后的准确率
mean(cvModel.KFoldLoss)