關於crossvalind函數

關於crossvalind函數 

crossvalind是cross-valindation的縮寫，意即交叉檢驗。 常用的形式有： 
①Indices =crossvalind('Kfold', N, K) 
②[Train, Test] = crossvalind('HoldOut',N, P) ③[Train, Test] = crossvalind('LeaveMOut',N, M) 

④[Train, Test] = crossvalind('Resubstitution',N, [P,Q])  

①indices =crossvalind('Kfold', N, K)： 
該命令返回一個對於N個觀察樣本的K個fold（意爲折，有“層”之類的含義，感覺還是英文意思更形象）的標記（indices）。該標記中含有相同（或者近似相同）比例的1—K的值，將樣本分爲K個相斥的子集。在K-fold交叉檢驗中，K-1個fold用來訓練，剩下的一個用來測試。此過程循環K次，每次選取不同的fold作爲測試集。K的缺省值爲5。 使用程序： 
[m n]=size(data); %data爲樣本集合。每一行爲一個觀察樣本 
indices = crossvalind('Kfold',m,10); %產生10個fold，即indices裏有等比例的1-10 
for i=1:10 
test=(indices==i); %邏輯判斷，每次循環選取一個fold作爲測試集 train=~test; %取test的補集作爲訓練集，即剩下的9個fold 
data_train=data(trian,:); %以上得到的數都爲邏輯值，用與樣本集的選取 label_train=label(train,:); %label爲樣本類別標籤，同樣選取相應的訓練集 data_test=data(test,:); %同理選取測試集的樣本和標籤 label_test=label(test,:); end 
 
②[Train, Test] = crossvalind('HoldOut',N, P)： 
該命令返回一個邏輯值的標記向量，從N個觀察樣本中隨機選取（或近似於）P*N個樣本作爲測試集。故P應爲0-1，缺省值爲0.5。 使用程序： 
groups=ismenber(label,1); %label爲樣本類別標籤，生成一個邏輯矩陣groups,1用來邏輯判斷篩選 
[train, test] = crossvalind('holdOut',groups); %將groups分類，默認比例1:1，即P=0.5 
 
③[Train, Test] = crossvalind('LeaveMOut',N, M)： 
該命令返回一個邏輯值的標記向量，從N個觀察樣本中隨機選取M個樣本作爲測試集。M的缺省值爲1。值得注意的是，LeaveMOut在循環中使用不能保證產生的是互補集合，即每次循環的隨機選取是獨立的。如果要用互補的話還是使用Kfold命令。 使用程序： 
[m,n]=size(data); 
[train,test]=crossvalind('LeaveMOut',m,10) 

svmStruct = svmtrain(data(train,:),groups(train));  classes = svmclassify(svmStruct,data(test,:));  cp=classperf(groups); cr=cp.CorrectRate  

④[Train, Test] = crossvalind('Resubstitution',N, [P,Q])： 
本函數爲②的一個特殊情況。當我不想把P*N剩下的部分全部作爲訓練集的時候使用該函數，用Q指定一個比例，選取Q*N作爲訓練集。兩個集合的選取以最小化交集爲原則。