Класс: TreeBagger
Компактный ансамбль деревьев решений
CMdl = compact(Mdl)Mdl, объекта модели TreeBagger. Можно предсказать регрессии с помощью CMdl точно, как вы можете с помощью Mdl. Однако, поскольку CMdl не содержит данные тренировки, вы не можете выполнить некоторые действия, те, которые делают прогнозы из сумки с помощью oobPredict.
|
Ансамбль регрессии создается с |
|
Компактный ансамбль регрессии. |
Создайте компактный мешок деревьев для того, чтобы эффективно сделать прогнозы на новых данных.
Загрузите набор данных ionosphere.
load ionosphereОбучите мешок 100 деревьев классификации с помощью всех измерений и метода AdaBoostM1.
Mdl = TreeBagger(100,X,Y,'Method','classification')
Mdl =
TreeBagger
Ensemble with 100 bagged decision trees:
Training X: [351x34]
Training Y: [351x1]
Method: classification
NumPredictors: 34
NumPredictorsToSample: 6
MinLeafSize: 1
InBagFraction: 1
SampleWithReplacement: 1
ComputeOOBPrediction: 0
ComputeOOBPredictorImportance: 0
Proximity: []
ClassNames: 'b' 'g'
Properties, Methods
Mdl является объектом модели TreeBagger, который содержит данные тренировки, среди прочего.
Создайте компактную версию Mdl.
CMdl = compact(Mdl)
CMdl =
CompactTreeBagger
Ensemble with 100 bagged decision trees:
Method: classification
NumPredictors: 34
ClassNames: 'b' 'g'
Properties, Methods
CMdl является объектом модели CompactTreeBagger. CMdl является почти тем же самым как Mdl. Одно исключение - то, что это не хранит данные тренировки.
Сравните суммы места, занимавшего Mdl и CMdl.
mdlInfo = whos('Mdl'); cMdlInfo = whos('CMdl'); [mdlInfo.bytes cMdlInfo.bytes]
ans = 1×2
1066952 925404
Mdl занимает больше места, чем CMdl.
CMdl.Trees хранит обученные деревья классификации (объекты модели CompactClassificationTree), которые составляют Mdl.
Отобразите график первого дерева в компактной модели.
view(CMdl.Trees{1},'Mode','graph');
По умолчанию TreeBagger выращивает глубокие деревья.
Предскажите метку среднего значения X с помощью компактного ансамбля.
predMeanX = predict(CMdl,mean(X))
predMeanX = 1x1 cell array
{'g'}