nbMdl = fitcnb(TrainData2,LabelTrain);加入优化参数示例

下面是一个使用交叉验证对朴素贝叶斯分类器的拉普拉斯平滑系数进行优化的Matlab示例代码：

% 加载数据
load fisheriris
X = meas;
Y = species;

% 定义超参数搜索空间
alphaRange = logspace(-5, 5, 11);

% 定义K折交叉验证
cv = cvpartition(Y, 'KFold', 5);

% 定义超参数优化选项
opts = struct('Optimizer', 'bayesopt', 'ShowPlots', true, ...
    'CVPartition', cv, 'AcquisitionFunctionName', 'expected-improvement', ...
    'HyperparameterOptimizationOptions', struct('MaxObjectiveEvaluations', 30));

% 进行超参数优化
nbMdl = fitcnb(X, Y, 'OptimizeHyperparameters', 'auto', ...
    'HyperparameterOptimizationOptions', opts, ...
    'DistributionNames', 'mn');

% 输出最优超参数和性能指标
fprintf('Optimal alpha: %f\n', nbMdl.ModelParameters.Alpha);
fprintf('CV accuracy: %f\n', nbMdl.CrossValAccuracy);

在本示例中，我们加载了鸢尾花数据集，定义了拉普拉斯平滑系数的搜索范围为10的负5次方到10的5次方之间的11个值。然后我们使用5折交叉验证对朴素贝叶斯分类器的超参数进行优化，使用贝叶斯优化算法进行搜索，最多进行30次超参数评估。最后输出最优的拉普拉斯平滑系数和交叉验证准确率。