假设我们在MATLAB R2015b中拥有以下代码:
SVMModel = fitcsvm(INPUT, output,'KernelFunction','RBF','BoxConstraint',1);CVSVMModel = crossval(SVMModel);z = kfoldLoss(CVSVMModel)-
在第一行中使用
fitcsvm对整个数据集进行训练。将Crossval设置为on的目的是什么（默认情况下，此选项为10折交叉验证）？crossval和kfoldLoss使用的方法与上述相同吗？如果是，为什么MATLAB文档只提到这种方法而没有提到在fitcsvm中设置Crossval方法进行交叉验证？如果这些过程相同，我们如何使用第一种方法获得错误率？ -
当我们想要预测特征（这是一个预测模型）时，我们需要使用整个数据集训练的模型（这里是
SVMModel对象）吗？所以crossval和kfoldLoss仅用于计算错误，我们不使用这种验证方法的10个训练模型进行预测。这是正确的吗？使用整个数据集对神经网络模型有效吗？
回答：
关于第一个问题。将"CrossVal"设置为"on"和将训练好的模型传递给crossval()函数的目的是相同的。你可以选择使用其中一种方法。
kFoldLoss()本身是一个函数，不包含在"CrossVal"标志中。它接受一个交叉验证模型作为输入。不管你是使用fitcsvm()中的"CrossVal"标志还是使用crossval()函数来进行交叉验证，都必须使用这个函数来评估错误率。
关于第二个问题，简短的回答是肯定的。你必须使用fitcsvm()返回的训练好的支持向量机模型。交叉验证过程旨在验证你的模型，以便你了解其性能（10折交叉验证只是众多可用方法之一），但它不进行任何预测。为此，你需要使用predict()函数。我认为你有一个训练集和一个测试集（或验证集）及其各自的标签。使用训练集来训练SVM模型，而使用验证集来执行预测阶段。predict()的主要输出是模型预测的标签向量，你可以将这些预测的标签与验证集的真实标签进行匹配，以获取验证中的错误率。
我建议你避免使用"CrossVal"标志，这样你可以更好地控制情况，因为你将拥有:
- 训练好的模型，
fitcsvm()的输出 - 交叉验证模型，
crossval()的输出，你也可以使用kFoldLoss()评估其性能 - 使用步骤#1中训练好的模型通过
predict()获得的预测标签
