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：保持不同类别的样本比例一致

2. 基本语法

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

3. 参数说明

4. 常用方法示例

Hold-Out 验证

data = rand(100, 5); % 100个样本，5个特征
c = cvpartition(100, 'HoldOut', 0.3); % 30%作为测试集

trainIdx = training(c); % 逻辑索引（训练集）
testIdx = test(c);      % 逻辑索引（测试集）

trainData = data(trainIdx, :);
testData = data(testIdx, :);

K折交叉验证（5折）

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

分层K折交叉验证

labels = [ones(50,1); zeros(50,1)]; % 类别标签（二分类）
c = cvpartition(labels, 'KFold', 5); % 保持各类比例

% 查看每折的类别分布
disp(c.TestSize); % 每折测试集样本数

留一法（LOO）

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

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. 注意事项

• 随机种子：使用 rng(seed) 确保结果可重复。
• 分层必要性：分类问题建议使用分层选项，避免类别分布不均。
• 大数据慎用LOO：留一法计算成本高，样本量大时改用K折。