---

1. 函數作用

cvpartition 將數據集劃分為訓練集和測試集，支持多種交叉驗證方法，包括：

• Hold-Out驗證：單次劃分（如70%訓練，30%測試）
• K折交叉驗證：數據分為K個子集，依次用其中一個作為測試集
• 留一法（Leave-One-Out）：每次留一個樣本作為測試集
• 分層交叉驗證：保持不同類別的樣本比例一致

---

2. 基本語法

c = cvpartition(n, 'Method', value, ...)
c = cvpartition(group, 'Method', value, ...)  % 分層選項

---

3. 參數說明

參數	說明
n	樣本數量
group	類別標簽向量（用于分層交叉驗證）
'Method'	驗證方法：'HoldOut', 'KFold', 'LeaveOut'
'HoldOut'參數	測試集比例 p（默認0.1）
'KFold'參數	折數 k（默認10）

---

4. 常用方法示例

Hold-Out 驗證

data = rand(100, 5); % 100個樣本，5個特征
c = cvpartition(100, 'HoldOut', 0.3); % 30%作為測試集trainIdx = training(c); % 邏輯索引（訓練集）
testIdx = test(c);      % 邏輯索引（測試集）trainData = data(trainIdx, :);
testData = data(testIdx, :);

K折交叉驗證（5折）

c = cvpartition(100, 'KFold', 5);
for i = 1:c.NumTestSetstrainIdx = training(c, i); % 第i折的訓練索引testIdx = test(c, i);      % 第i折的測試索引% 在此訓練和驗證模型
end

分層K折交叉驗證

labels = [ones(50,1); zeros(50,1)]; % 類別標簽（二分類）
c = cvpartition(labels, 'KFold', 5); % 保持各類比例% 查看每折的類別分布
disp(c.TestSize); % 每折測試集樣本數

留一法（LOO）

c = cvpartition(100, 'LeaveOut');
for i = 1:c.NumTestSetstrainIdx = training(c, i);testIdx = test(c, i); % 每次僅1個測試樣本
end

---

5. 對象屬性與方法

• 屬性：
  • c.NumTestSets：測試集數量（K折時為K）
  • c.TrainSize：各訓練集大小
  • c.TestSize：各測試集大小
• 方法：
  • training(c, i)：獲取第i折的訓練索引
  • test(c, i)：獲取第i折的測試索引
  • repartition(c)：重新隨機化分區（僅Hold-Out和KFold）

---

6. 注意事項

• 隨機種子：使用 rng(seed) 確保結果可重復。
• 分層必要性：分類問題建議使用分層選項，避免類別分布不均。
• 大數據慎用LOO：留一法計算成本高，樣本量大時改用K折。

---