crossvalind是cross-valindation的缩写，意即交叉检验。 常用的形式有：
① Indices =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)：
该命令返回一个对于N个观察样本的K个fold（意为折，有“层”之类的含义，感觉还是英文意思更形象）的标记（indices）。该标记中含有相同（或者近似相同）比例的1—K的值，将样本分为K个相斥的子集。在K-fold交叉检验中，K-1个fold用来训练，剩下的一个用来测试。此过程循环K次，每次选取不同的fold作为测试集。K的缺省值为5。 使用程序：
[m n]=size(data); %data为样本集合。每一行为一个观察样本
indices = crossvalind(‘Kfold‘,m,10); %产生10个fold，即indices里有等比例的1-10
for i=1:10
test=(indices==i); %逻辑判断，每次循环选取一个fold作为测试集 train=~test;
%取test的补集作为训练集，即剩下的9个fold
data_train=data(trian,:); %以上得到的数都为逻辑值，用与样本集的选取
label_train=label(train,:); %label为样本类别标签，同样选取相应的训练集
data_test=data(test,:); %同理选取测试集的样本和标签 label_test=label(test,:);
end
②[Train, Test] = crossvalind(‘HoldOut‘,N, P)：
该命令返回一个逻辑值的标记向量，从N个观察样本中随机选取（或近似于）P*N个样本作为测试集。故P应为0-1，缺省值为0.5。 使用程序：
groups=ismenber(label,1); %label为样本类别标签，生成一个逻辑矩阵groups,1用来逻辑判断筛选
[train, test] = crossvalind(‘holdOut‘,groups); %将groups分类，默认比例1:1，即P=0.5
③[Train, Test] = crossvalind(‘LeaveMOut‘,N, M)：
该命令返回一个逻辑值的标记向量，从N个观察样本中随机选取M个样本作为测试集。M的缺省值为1。值得注意的是，LeaveMOut在循环中使用不能保证产生的是互补集合，即每次循环的随机选取是独立的。如果要用互补的话还是使用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
⑤ [Train, Test] = crossvalind(‘Resubstitution‘,N, [P,Q])：
本函数为②的一个特殊情况。当我不想把P*N剩下的部分全部作为训练集的时候使用该函数，用Q指定一个比例，选取Q*N作为训练集。两个集合的选取以最小化交集为原则。
http://wenku.baidu.com/link?url=0CT9ku1OCeqomT-iWTaiy6nEXxyU_TGv9txwDk3uIDe80dn1D-9LCiEsV-d1PHeoYoibpROA4MysEAEtN00aXiSXlxZe7Nvq3-VZWbMdv4K