ClassificationBaggedEnsemble

Пакет: classreg.learning.classif
Суперклассы: ClassificationEnsemble

Ансамбль классификации, выращенный путем передискретизации

расширьте все на странице

Описание

ClassificationBaggedEnsemble комбинирует набор обученных слабых моделей ученика и данных, на которых были обучены эти ученики. Это может предсказать ответ ансамбля для новых данных путем агрегации прогнозов от его слабых учеников.

Конструкция

Создайте сложенный в мешок объект ансамбля классификации использование fitcensemble. Установите аргумент пары "имя-значение" 'Method' fitcensemble к 'Bag' использовать агрегацию начальной загрузки (укладывание в мешки, например, случайный лес).

Свойства

BinEdges

Ребра интервала для числовых предикторов, заданных как массив ячеек p числовые векторы, где p является количеством предикторов. Каждый вектор включает ребра интервала для числового предиктора. Элемент в массиве ячеек для категориального предиктора пуст, потому что программное обеспечение не делает интервала категориальные предикторы.

Числовые предикторы интервалов программного обеспечения, только если вы задаете аргумент пары "имя-значение" 'NumBins' как положительный целочисленный скаляр когда обучение модель с древовидными учениками. Свойство BinEdges пусто, если значение 'NumBins' пусто (значение по умолчанию).

Можно воспроизвести сгруппированные данные о предикторе Xbinned при помощи свойства BinEdges обученной модели mdl.

X = mdl.X; % Predictor data
Xbinned = zeros(size(X));
edges = mdl.BinEdges;
% Find indices of binned predictors.
idxNumeric = find(~cellfun(@isempty,edges));
if iscolumn(idxNumeric)
    idxNumeric = idxNumeric';
end
for j = idxNumeric 
    x = X(:,j);
    % Convert x to array if x is a table.
    if istable(x) 
        x = table2array(x);
    end
    % Group x into bins by using the discretize function.
    xbinned = discretize(x,[-inf; edges{j}; inf]); 
    Xbinned(:,j) = xbinned;
end
Xbinned содержит индексы интервала, в пределах от 1 к количеству интервалов, для числовых предикторов. значения Xbinned 0 для категориальных предикторов. Если X содержит NaN s, то соответствующими значениями Xbinned является NaN s.

CategoricalPredictors

Категориальные индексы предиктора, заданные как вектор положительных целых чисел. CategoricalPredictors содержит индексные значения, соответствующие столбцам данных о предикторе, которые содержат категориальные предикторы. Если ни один из предикторов не является категориальным, то это свойство пусто ([]).

ClassNames

Список элементов в Y с удаленными копиями. ClassNames может быть числовым вектором, категориальным вектором, логическим вектором, символьным массивом или массивом ячеек из символьных векторов. ClassNames имеет совпадающий тип данных как данные в аргументе Y. (Программное обеспечение обрабатывает строковые массивы как массивы ячеек из символьных векторов.)

CombineWeights

Вектор символов, описывающий, как ens комбинирует слабые веса ученика, или 'WeightedSum' или 'WeightedAverage'.

ExpandedPredictorNames

Расширенные имена предиктора, сохраненные как массив ячеек из символьных векторов.

Если образцовое кодирование использования для категориальных переменных, то ExpandedPredictorNames включает имена, которые описывают расширенные переменные. В противном случае ExpandedPredictorNames совпадает с PredictorNames.

FitInfo

Числовой массив подходящей информации. Свойство FitInfoDescription описывает содержимое этого массива.

FitInfoDescription

Вектор символов, описывающий значение массива FitInfo.

FResample

Числовой скаляр между 0 и 1. FResample является частью данных тренировки fitcensemble, передискретизируемый наугад для каждого слабого ученика при построении ансамбля.

HyperparameterOptimizationResults

Описание оптимизации перекрестной проверки гиперпараметров, сохраненных как объект BayesianOptimization или таблица гиперпараметров и присваиваемых значений. Непустой, когда пара "имя-значение" OptimizeHyperparameters непуста при создании. Значение зависит от установки пары "имя-значение" HyperparameterOptimizationOptions при создании:

  • 'bayesopt' (значение по умолчанию) — Объект класса BayesianOptimization

  • 'gridsearch' или 'randomsearch' — Таблица гиперпараметров используемые, наблюдаемые значения целевой функции (потеря перекрестной проверки), и ранг наблюдений от самого низкого (лучше всего) к (худшему) самому высокому

Method

Вектор символов, описывающий метод, который создает ens.

ModelParameters

Параметры используются в учебном ens.

NumTrained

Количество обученных слабых учеников в ens, скаляре.

PredictorNames

Массив ячеек имен для переменных прогноза, в порядке, в котором они появляются в X.

ReasonForTermination

Вектор символов, описывающий причину fitcensemble, прекратил добавлять слабых учеников в ансамбль.

Replace

Логическое значение, указывающее, был ли ансамбль обучен с заменой (true) или без замены (false).

ResponseName

Вектор символов с именем переменной отклика Y.

ScoreTransform

Указатель на функцию для преобразования очков или вектора символов, представляющего встроенную функцию преобразования. 'none' не означает преобразования; эквивалентно, 'none' означает @(x)x. Для списка встроенных функций преобразования и синтаксиса пользовательских функций преобразования, смотрите fitctree.

Добавьте или измените функцию ScoreTransform, использующую запись через точку:

ens.ScoreTransform = 'function'

или

ens.ScoreTransform = @function

Trained

Обученные ученики, массив ячеек компактных моделей классификации.

TrainedWeights

Числовой вектор обученных весов для слабых учеников в ens. TrainedWeights имеет элементы T, где T является количеством слабых учеников в learners.

UseObsForLearner

Логическая матрица размера N-by-NumTrained, где N является количеством наблюдений в данных тренировки и NumTrained, является количеством обученных слабых учеников. UseObsForLearner(I,J) является true, если наблюдение I использовался для учебного ученика J и является false в противном случае.

W

Масштабированный weights, вектор с длиной n, количество строк в X. Суммой элементов W является 1.

X

Матрица или таблица значений предиктора, которые обучили ансамбль. Каждый столбец X представляет одну переменную, и каждая строка представляет одно наблюдение.

Y

Категориальный массив, массив ячеек из символьных векторов, символьный массив, логический вектор или числовой вектор с одинаковым числом строк как X. Каждая строка Y представляет классификацию соответствующей строки X.

Методы

oobEdgeРебро классификации из сумки
oobLossОшибка классификации из сумки
oobMarginПоля классификации из сумки
oobPermutedPredictorImportanceВажность предиктора оценивает перестановкой наблюдений предиктора из сумки для случайного леса деревьев классификации
oobPredictПредскажите ответ из сумки ансамбля

Унаследованные методы

компактныйКомпактный ансамбль классификации
crossvalКрест подтверждает ансамбль
resubEdgeРебро классификации перезаменой
resubLossОшибка классификации перезаменой
resubMarginПоля классификации перезаменой
resubPredictКлассифицируйте наблюдения на ансамбль моделей классификации
резюмеВозобновите учебный ансамбль
реброРебро классификации
потеряОшибка классификации
полеПоля классификации
предсказатьКлассифицируйте ансамбль использования наблюдений моделей классификации
predictorImportanceОценки важности предиктора
removeLearnersУдалите членов компактного ансамбля классификации

Копировать семантику

Значение. Чтобы изучить, как классы значения влияют на операции копии, смотрите Копирование Объектов (MATLAB).

Примеры

свернуть все

Скрипт Open Live Script

Загрузите набор данных ionosphere.

load ionosphere

Можно обучить уволенный ансамбль 100 деревьев классификации с помощью всех измерений.

Mdl = fitcensemble(X,Y,'Method','Bag')

fitcensemble использует объект templateTree() дерева шаблона по умолчанию в качестве слабого ученика, когда 'Method' является 'Bag'. В этом примере, для воспроизводимости, задают 'Reproducible',true, когда вы создаете древовидный объект шаблона, и затем используете объект в качестве слабого ученика. 

rng('default') % For reproducibility
t = templateTree('Reproducible',true); % For reproducibiliy of random predictor selections
Mdl = fitcensemble(X,Y,'Method','Bag','Learners',t)
Mdl = 
  classreg.learning.classif.ClassificationBaggedEnsemble
             ResponseName: 'Y'
    CategoricalPredictors: []
               ClassNames: {'b'  'g'}
           ScoreTransform: 'none'
          NumObservations: 351
               NumTrained: 100
                   Method: 'Bag'
             LearnerNames: {'Tree'}
     ReasonForTermination: 'Terminated normally after completing the requested number of training cycles.'
                  FitInfo: []
       FitInfoDescription: 'None'
                FResample: 1
                  Replace: 1
         UseObsForLearner: [351x100 logical]


  Properties, Methods

Mdl является объектом модели ClassificationBaggedEnsemble.

Mdl.Trained является свойством, которое хранит 100 1 вектор ячейки обученных деревьев классификации (объекты модели CompactClassificationTree), которые составляют ансамбль.

Постройте график первого обученного дерева классификации.

view(Mdl.Trained{1},'Mode','graph')

По умолчанию fitcensemble выращивает глубокие деревья решений для уволенных ансамблей.

Оцените misclassification уровень в выборке.

L = resubLoss(Mdl)
L = 0

L 0, который указывает, что Mdl совершенен при классификации данных тренировки.

Советы

Для уволенного ансамбля деревьев классификации свойство Trained ens хранит вектор ячейки ens.NumTrained объекты модели CompactClassificationTree. Для текстового или графического дисплея древовидного t в векторе ячейки войти

view(ens.Trained{t})

Расширенные возможности

Смотрите также

| | | |

Темы

Введенный в R2011a

Документация Statistics and Machine Learning Toolbox
Поддержка
Для просмотра документации необходимо авторизоваться на сайте