Exponenta Banner

ребро

Ребро классификации

расширьте все на странице

Синтаксис

E = edge(ens,tbl,ResponseVarName)
E = edge(ens,tbl,Y)
E = edge(ens,X,Y)
E = edge(___,Name,Value)

Описание

E = edge(ens,tbl,ResponseVarName) возвращает ребро классификации для ens с данными tbl и классификация tbl.ResponseVarName.

E = edge(ens,tbl,Y) возвращает ребро классификации для ens с данными tbl и классификация Y.

E = edge(ens,X,Y) возвращает ребро классификации для ens с данными X и классификация Y.

E = edge(___,Name,Value) вычисляет ребро с дополнительными опциями, заданными одним или несколькими аргументами пары Name,Value, с помощью любого из предыдущих синтаксисов.

Входные параметры

ens

Ансамбль классификации, созданный с fitcensemble или компактным ансамблем классификации, создается с compact.

tbl

Выборочные данные, заданные как таблица. Каждая строка tbl соответствует одному наблюдению, и каждый столбец соответствует одной переменной прогноза. tbl должен содержать все предикторы, используемые, чтобы обучить модель. Многостолбцовые переменные и массивы ячеек кроме массивов ячеек из символьных векторов не позволены.

Если бы вы обучили ens с помощью выборочных данных, содержавшихся в table, то входные данные для этого метода должны также быть в таблице.

ResponseVarName

Имя переменной отклика, заданное как имя переменной в tbl.

Необходимо задать ResponseVarName как вектор символов или представить скаляр в виде строки. Например, если переменная отклика, Y хранится как tbl.Y, то задают его как 'Y'. В противном случае программное обеспечение обрабатывает все столбцы tbl, включая Y, как предикторы когда обучение модель.

X

Матрица, где каждая строка представляет наблюдение и каждый столбец, представляет предиктор. Количество столбцов в X должно равняться количеству предикторов в ens.

Если бы вы обучили ens с помощью выборочных данных, содержавшихся в матрице, то входные данные для этого метода должны также быть в матрице.

Y

Метки класса наблюдений в tbl или X. Y должен иметь тот же тип как классификация, используемая, чтобы обучить ens, и его число элементов должно равняться количеству строк tbl или X.

Аргументы в виде пар имя-значение

Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми. Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

'learners'

Индексы слабых учеников в ансамбле в пределах от 1 к ens .NumTrained. edge использует только этих учеников для вычисления потери.

Значение по умолчанию: 1:NumTrained

'mode'

Значение вывода E:

  • 'ensemble' — E является скалярным значением, ребром для целого ансамбля.

  • 'individual' — E является вектором с одним элементом на обученного ученика.

  • 'cumulative' — E является вектором, в котором элементе J получен при помощи учеников 1:J из списка входов учеников.

Значение по умолчанию: 'ensemble'

'UseObsForLearner'

Логическая матрица размера N-by-T, где:

  • N является количеством строк X.

  • T является количеством слабых учеников в ens.

Когда UseObsForLearner(i,j) является true, ученик, j используется в предсказании класса строки i X.

Значение по умолчанию: true(N,T)

'weights'

Веса наблюдения, числовой вектор длины size(X,1). Если вы предоставляете веса, edge вычисляет взвешенное ребро классификации.

Значение по умолчанию: ones(size(X,1),1)

Выходные аргументы

E

Ребро классификации, вектор или скаляр в зависимости от установки пары "имя-значение" mode. Ребро классификации является средневзвешенным полем классификации.

Примеры

развернуть все

Скрипт Open Live Script

Найдите, что ребро классификации для некоторых данных раньше обучало повышенный классификатор ансамбля.

Загрузите набор данных ionosphere.

load ionosphere

Обучите ансамбль 100 повышенных деревьев классификации с помощью AdaBoostM1.

t = templateTree('MaxNumSplits',1); % Weak learner template tree object
ens = fitcensemble(X,Y,'Method','AdaBoostM1','Learners',t);

Найдите ребро классификации для последних нескольких строк.

E = edge(ens,X(end-10:end,:),Y(end-10:end))
E = 8.3310

Больше о

развернуть все

Расширенные возможности

Смотрите также

|

Документация Statistics and Machine Learning Toolbox
Поддержка