我正在使用Matlab的统计和机器学习工具箱来创建决策树、集成模型、Knn模型等。我希望将我的数据划分为训练/测试部分，然后让模型使用训练数据进行训练和交叉验证（本质上是将训练数据进一步划分为训练和验证数据），同时保留我的测试数据用于错误度量。重要的是，模型在任何情况下都不能使用测试数据进行训练。对于我的决策树，我有类似如下的代码：

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),:);% 拟合决策树tree = fitctree(Xtrain, Ytrain, 'CrossVal', 'on');% 错误度量testingLoss = loss(tree,Xtest,Ytest,'Subtrees','all'); % 测试resubcost = resubLoss(tree,'Subtrees','all'); % 训练[cost,secost,ntermnodes,bestlevel] = cvloss(tree,'Subtrees','all'); % 交叉验证

然而，这返回了

Undefined function 'loss' for input arguments oftype 'classreg.learning.partition.ClassificationPartitionedModel'.

当尝试查找测试错误时。我尝试了几种使用不同类型分类算法的类似方法，但总是因为数据分区而无法将测试数据应用于交叉验证模型。我应该如何将测试数据应用于交叉验证模型？

回答：

当你在调用fitctree时使用交叉验证时，默认会在用于训练模型的70%数据中构建10个模型折。你可以通过以下方式找到每个模型折内的kFoldLoss：

modelLoss = kfoldLoss(tree);

由于最初调用fitctree构建了10个模型折，因此有10个独立的训练模型。这10个模型都包含在一个单元数组中，位于tree.Trained。例如，你可以使用第一个训练模型来测试在保留数据上的损失，如下所示：

testingLoss = loss(tree.Trained{1},Xtest,Ytest,'Subtrees','all'); % 测试