Performance MATLAB支持向量机（SVM）交叉验证实现，提高代码速度

目前我正在使用这段代码进行MatlabR2015B支持向量机（SVM）10倍交叉验证

indices = crossvalind('Kfold',output,10);
cp = classperf(binary_output);

for i = 1:10
    test = (indices == i); train = ~test;

    SVMModel = fitcsvm(INPUT(train,:), output(train,:),'KernelFunction','RBF',...
        'KernelScale','auto');
    class = predict(SVMModel, INPUT(test,:));
    classperf(cp,class,test);
end

z = cp.ErrorRate;
sensitivity = cp.Sensitivity;
specificity = cp.Specificity;

我需要提取这种二元分类的敏感性和特异性。否则，我将在循环中运行此代码

---

这种交叉验证的结构太慢了。任何其他更快执行的实现？

一个简单的方法是使用函数中的多线程

tic

%data partition
order = unique(y); % Order of the group labels
cp = cvpartition(y,'k',10); %10-folds

%prediction function
f = @(xtr,ytr,xte,yte)confusionmat(yte,...
predict(fitcsvm(xtr, ytr,'KernelFunction','RBF',...
    'KernelScale','auto'),xte),'order',order);

% missclassification error 
cfMat = crossval(f,INPUT,output,'partition',cp);
cfMat = reshape(sum(cfMat),2,2)
toc

使用混淆矩阵，您可以轻松获得灵敏度和特异性。请注意，脚本与Matlab提供的crossval函数之间的时间没有任何改进

crossval函数的替代方法是使用 在不同的核心之间分割每次迭代的计算

---

Ps：对于任何并行计算，

parpool

必须在之前运行（或者可能由某些函数运行），并且需要几秒钟来设置它。

我认为有一个名为

cvpartition

的函数可能会有所帮助。