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 ionosphere
Обучите 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'}