Ансамбли классификации

Повышение, случайный лес, укладывание в мешки, случайное подпространство и ансамбли ECOC для изучения мультикласса

Ансамбль классификации является прогнозирующей моделью, состоявшей из взвешенной комбинации нескольких моделей классификации. В целом объединение нескольких моделей классификации увеличивает прогнозирующую производительность.

Чтобы исследовать ансамбли классификации в интерактивном режиме, используйте  приложение Classification Learner. Для большей гибкости используйте fitcensemble в интерфейсе командной строки, чтобы повысить или сложить деревья классификации в мешок или вырастить случайный лес [11]. Для получения дополнительной информации на всех поддерживаемых ансамблях, см. Алгоритмы Ансамбля. Чтобы уменьшать проблему мультикласса в ансамбль бинарных проблем классификации, обучите модель выходных кодов с коррекцией ошибок (ECOC). Для получения дополнительной информации смотрите fitcecoc.

Чтобы повысить деревья регрессии с помощью LSBoost или вырастить случайный лес деревьев регрессии [11], смотрите Ансамбли Регрессии.

Приложения

Classification LearnerОбучите модели классифицировать данные с помощью машинного обучения с учителем

Функции

развернуть все

templateDiscriminantШаблон классификатора дискриминантного анализа
templateECOCВыходной шаблон ученика кода с коррекцией ошибок
templateEnsembleАнсамбль, изучающий шаблон
templateKNNk-nearest граничат с шаблоном классификатора
templateLinearЛинейный шаблон ученика классификации
templateNaiveBayesШаблон Наивного классификатора Байеса
templateSVMПоддержите векторный шаблон машины
templateTreeСоздайте шаблон дерева решений
fitcensembleПодходящий ансамбль учеников для классификации
predictКлассифицируйте ансамбль использования наблюдений моделей классификации
oobPredictПредскажите ответ из сумки ансамбля
TreeBaggerСоздайте мешок деревьев решений
fitcensembleПодходящий ансамбль учеников для классификации
predictПредскажите ансамбль использования ответов сложенных в мешок деревьев решений
oobPredictПрогнозы ансамбля для наблюдений из сумки
fitcecocПодходящие модели мультикласса для машин вектора поддержки или других классификаторов
templateSVMПоддержите векторный шаблон машины
predictКлассифицируйте наблюдения с помощью модели выходных кодов с коррекцией ошибок (ECOC) мультикласса

Классы

развернуть все

ClassificationEnsembleКлассификатор ансамбля
CompactClassificationEnsembleКомпактный класс ансамбля классификации
ClassificationPartitionedEnsembleПерекрестный подтвержденный ансамбль классификации
TreeBaggerМешок деревьев решений
CompactTreeBaggerКомпактный ансамбль деревьев решений выращен агрегацией начальной загрузки
ClassificationBaggedEnsembleАнсамбль классификации, выращенный путем передискретизации
ClassificationECOCМодель Multiclass для машин вектора поддержки (SVMs) и других классификаторов
CompactClassificationECOCКомпактная модель мультикласса для машин вектора поддержки (SVMs) и других классификаторов
ClassificationPartitionedECOCПерекрестный подтвержденный мультикласс модель ECOC для машин вектора поддержки (SVMs) и других классификаторов

Темы

Обучите классификаторы ансамбля Используя приложение Classification Learner

Создайте и сравните классификаторы ансамбля и экспортируйте обученные модели, чтобы сделать прогнозы для новых данных.

Среда для приобретения знаний ансамблем

Получите очень точные прогнозы при помощи многих слабых учеников.

Алгоритмы ансамбля

Узнайте о различных алгоритмах для приобретения знаний ансамблем.

Обучите ансамбль классификации

Обучите простой ансамбль классификации.

Протестируйте качество ансамбля

Изучите методы, чтобы оценить прогнозирующее качество ансамбля.

Обработайте неустойчивые данные или неравные затраты Misclassification в ансамблях классификации

Узнать, как установить предшествующие вероятности класса и затраты misclassification.

Классификация с неустойчивыми данными

Используйте алгоритм RUSBoost для классификации, когда один или несколько классов будут превалировать в ваших данных.

LPBoost и TotalBoost для малочисленных ансамблей

Создайте малочисленные ансамбли при помощи алгоритмов TotalBoost и LPBoost. (LPBoost и TotalBoost требуют Optimization Toolbox™.)

Настройте RobustBoost

Настройте параметры RobustBoost для лучшей прогнозирующей точности. (RobustBoost требует Optimization Toolbox.)

Суррогатные разделения

Получите лучшие прогнозы, когда у вас будут недостающие данные при помощи суррогатных разделений.

Загрузите агрегацию (укладывание в мешки) деревьев классификации Используя TreeBagger

Создайте ансамбль TreeBagger для классификации.

Кредитный рейтинг путем укладывания в мешки деревьев решений

Этот пример показывает, как создать автоматизированный инструмент кредитного рейтинга.

Случайная классификация подпространств

Увеличьте точность классификации при помощи случайного ансамбля подпространства.

Для просмотра документации необходимо авторизоваться на сайте