Этот пример показывает, как создать ансамбль дерева классификации для набора данных ionosphere и использовать его, чтобы предсказать, что классификация радара возвращается со средними измерениями.
Загрузите набор данных ionosphere.
load ionosphereОбучите ансамбль классификации. Для бинарных проблем классификации fitcensemble агрегировал 100 использований деревьев классификации LogitBoost.
Mdl = fitcensemble(X,Y)
Mdl =
classreg.learning.classif.ClassificationEnsemble
ResponseName: 'Y'
CategoricalPredictors: []
ClassNames: {'b' 'g'}
ScoreTransform: 'none'
NumObservations: 351
NumTrained: 100
Method: 'LogitBoost'
LearnerNames: {'Tree'}
ReasonForTermination: 'Terminated normally after completing the requested number of training cycles.'
FitInfo: [100x1 double]
FitInfoDescription: {2x1 cell}
Properties, Methods
Mdl является моделью ClassificationEnsemble.
Постройте график первого обученного дерева классификации в ансамбле.
view(Mdl.Trained{1}.CompactRegressionLearner,'Mode','graph');
По умолчанию fitcensemble выращивает мелкие деревья для повышения алгоритмов. Можно изменить древовидную глубину путем передачи древовидного объекта шаблона fitcensemble. Для получения дополнительной информации смотрите templateTree.
Предскажите, что качество радара возвращается со средними измерениями предиктора.
label = predict(Mdl,mean(X))
label = 1x1 cell array
{'g'}