Ансамбль классификации является прогнозной моделью, состоявшей из взвешенной комбинации нескольких моделей классификации. В общем случае объединение нескольких моделей классификации увеличивает прогнозирующую производительность.
Чтобы исследовать ансамбли классификации в интерактивном режиме, используйте приложение Classification Learner. Для большей гибкости используйте fitcensemble в интерфейсе командной строки, чтобы повысить или сложить деревья классификации в мешок или вырастить случайный лес [11]. Для получения дополнительной информации на всех поддерживаемых ансамблях, см. Алгоритмы Ансамбля. Чтобы уменьшать проблему мультикласса в ансамбль бинарных проблем классификации, обучите модель выходных кодов с коррекцией ошибок (ECOC). Для получения дополнительной информации смотрите fitcecoc.
Чтобы повысить деревья регрессии с помощью LSBoost или вырастить случайный лес деревьев регрессии [11], смотрите Ансамбли Регрессии.
| Classification Learner | Обучите модели классифицировать данные с помощью машинного обучения с учителем |
Обучите классификаторы ансамбля Используя приложение Classification Learner
Создайте и сравните классификаторы ансамбля и экспортируйте обученные модели, чтобы сделать прогнозы для новых данных.
Среда для приобретения знаний ансамблем
Получите очень точные прогнозы при помощи многих слабых учеников.
Узнайте о различных алгоритмах для приобретения знаний ансамблем.
Обучите ансамбль классификации
Обучите простой ансамбль классификации.
Протестируйте качество ансамбля
Изучите методы, чтобы оценить прогнозирующее качество ансамбля.
Обработайте неустойчивые данные или неравные затраты Misclassification в ансамблях классификации
Узнать, как установить предшествующие вероятности класса и затраты misclassification.
Классификация с неустойчивыми данными
Используйте алгоритм RUSBoost в классификации, когда один или несколько классов будут превалировать в ваших данных.
LPBoost и TotalBoost для малочисленных ансамблей
Создайте малочисленные ансамбли при помощи алгоритмов TotalBoost и LPBoost. (LPBoost и TotalBoost требуют Optimization Toolbox™.)
Настройте параметры RobustBoost для лучшей прогнозирующей точности. (RobustBoost требует Optimization Toolbox.)
Получите лучшие прогнозы, когда у вас будут недостающие данные при помощи суррогатных разделений.
Загрузите агрегацию (укладывание в мешки) деревьев классификации Используя TreeBagger
Создайте ансамбль TreeBagger для классификации.
Кредитный рейтинг путем укладывания в мешки деревьев решений
В этом примере показано, как создать автоматизированный инструмент кредитного рейтинга.
Случайная классификация подпространств
Увеличьте точность классификации при помощи случайного ансамбля подпространства.
