k-折交叉驗證(k-fold crossValidation)：
在機器學習中，將數據集A分為訓練集（training set）B和測試集（test set）C，在樣本量不充足的情況下，為了充分利用數據集對算法效果進行測試，將數據集A隨機分為k個包，每次將其中一個包作為測試集，剩下k-1個包作為訓練集進行訓練。
在matlab中，可以利用：
indices=crossvalind('Kfold',x,k);
來實現隨機分包的操作，其中x為一個N維列向量（N為數據集A的元素個數，與x具體內容無關，只需要能夠表示數據集的規模），k為要分成的包的總個數，輸 出的結果indices是一個N維列向量，每個元素對應的值為該單元所屬的包的編號（即該列向量中元素是1~k的整隨機數），利用這個向量即可通過循環控 制來對數據集進行划分。
例：
[M,N]=size(data);//數據集為一個M*N的矩陣，其中每一行代表一個樣本
indices=crossvalind('Kfold',data(1:M,N),10);//進行隨機分包
for k=1:10//交叉驗證k=10，10個包輪流作為測試集
test = (indices == k); //獲得test集元素在數據集中對應的單元編號
train = ~test;//train集元素的編號為非test元素的編號
train_data=data(train,:);//從數據集中划分出train樣本的數據
train_target=target(:,train);//獲得樣本集的測試目標，在本例中是train樣本的實際分類情況
test_data=data(test,:);//test樣本集
test_target=target(:,test);//test的實際分類情況
...........
end
****************************************************************************************************
crossvalind函數
關於crossvalind函數 盛經緯 jevonsheng@163.com
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（意為折，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，將樣本分為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作為測試集。K的缺省值為5。 使用程序：
[m n]=size(data); %data為樣本集合。每一行為一個觀察樣本
indices = crossvalind('Kfold',m,10); %產生10個fold，即indices里有等比例的1-10
for i=1:10
test=(indices==i); %邏輯判斷，每次循環選取一個fold作為測試集 train=~test; %取test的補集作為訓練集，即剩下的9個fold
data_train=data(trian,:); %以上得到的數都為邏輯值，用與樣本集的選 取 label_train=label(train,:); %label為樣本類別標簽，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簽 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個樣本作為測試集。故P應為0-1，缺省值為0.5。 使用程序：
groups=ismenber(label,1); %label為樣本類別標簽，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個樣本作為測試集。M的缺省值為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])：
本函數為②的一個特殊情況。當我不想把P*N剩下的部分全部作為訓練集的時候使用該函數，用Q指定一個比例，選取Q*N作為訓練集。兩個集合的選取以最小化交集為原則。