MATLAB的cvpartition函数用法

---

1. 函数作用

cvpartition 将数据集划分为训练集和测试集，支持多种交叉验证方法，包括：

• Hold-Out验证：单次划分（如70%训练，30%测试）
  
• K折交叉验证：数据分为K个子集，依次用其中一个作为测试集
  
• 留一法（Leave-One-Out）：每次留一个样本作为测试集
  
• 分层交叉验证：保持差异类别的样本比例同等
  

---

2. 基本语法

1. c = cvpartition(n, 'Method', value, ...)
2. c = cvpartition(group, 'Method', value, ...)  % 分层选项

复制代码

---

3. 参数说明

参数说明n样本数量group类别标签向量（用于分层交叉验证）'Method'验证方法：'HoldOut', 'KFold', 'LeaveOut''HoldOut'参数测试集比例 p（默认0.1）'KFold'参数折数 k（默认10）

---

4. 常用方法示例

Hold-Out 验证

1. data = rand(100, 5); % 100个样本，5个特征
2. c = cvpartition(100, 'HoldOut', 0.3); % 30%作为测试集
4. trainIdx = training(c); % 逻辑索引（训练集）
5. testIdx = test(c);      % 逻辑索引（测试集）
7. trainData = data(trainIdx, :);
8. testData = data(testIdx, :);

复制代码

K折交叉验证（5折）

1. c = cvpartition(100, 'KFold', 5);
2. for i = 1:c.NumTestSets
3.     trainIdx = training(c, i); % 第i折的训练索引
4.     testIdx = test(c, i);      % 第i折的测试索引
5.     % 在此训练和验证模型
6. end

复制代码

分层K折交叉验证

1. labels = [ones(50,1); zeros(50,1)]; % 类别标签（二分类）
2. c = cvpartition(labels, 'KFold', 5); % 保持各类比例
4. % 查看每折的类别分布
5. disp(c.TestSize); % 每折测试集样本数

复制代码

留一法（LOO）

1. c = cvpartition(100, 'LeaveOut');
2. for i = 1:c.NumTestSets
3.     trainIdx = training(c, i);
4.     testIdx = test(c, i); % 每次仅1个测试样本
5. end

复制代码

---

5. 对象属性与方法

• 属性：
  
  
  
  • c.NumTestSets：测试集数量（K折时为K）
    
  • c.TrainSize：各训练集大小
    
  • c.TestSize：各测试集大小
    
  
  
• 方法：
  
  
  
  • training(c, i)：获取第i折的训练索引
    
  • test(c, i)：获取第i折的测试索引
    
  • repartition(c)：重新随机化分区（仅Hold-Out和KFold）
    
  
  

---

6. 留意事项

• 随机种子：使用 rng(seed) 确保结果可重复。
  
• 分层须要性：分类问题发起使用分层选项，制止类别分布不均。
  
• 大数据慎用LOO：留一法计算本钱高，样本量大时改用K折。
  

---

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。