Пакет: classreg.learning.classif
Суперклассы: CompactClassificationEnsemble
Классификатор ансамбля
ClassificationEnsemble комбинирует набор обученных слабых моделей ученика и данных, на которых были обучены эти ученики. Это может предсказать ответ ансамбля для новых данных путем агрегации прогнозов от его слабых учеников. Это хранит данные, используемые в обучении, может вычислить прогнозы перезамены и может возобновить обучение при желании.
Создайте объект ансамбля классификации использование fitcensemble.
|
Ребра интервала для числовых предикторов, заданных как массив ячеек p числовые векторы, где p является количеством предикторов. Каждый вектор включает ребра интервала для числового предиктора. Элемент в массиве ячеек для категориального предиктора пуст, потому что программное обеспечение не делает интервала категориальные предикторы. Числовые предикторы интервалов программного обеспечения, только если вы задаете Можно воспроизвести сгруппированные данные о предикторе X = mdl.X; % Predictor data
Xbinned = zeros(size(X));
edges = mdl.BinEdges;
% Find indices of binned predictors.
idxNumeric = find(~cellfun(@isempty,edges));
if iscolumn(idxNumeric)
idxNumeric = idxNumeric';
end
for j = idxNumeric
x = X(:,j);
% Convert x to array if x is a table.
if istable(x)
x = table2array(x);
end
% Group x into bins by using the Xbinned содержит индексы интервала, в пределах от 1 к количеству интервалов, для числовых предикторов. Xbinned значения 0 для категориальных предикторов. Если X содержит NaNs, затем соответствующий Xbinned значениями является NaNs.
|
|
Категориальные индексы предиктора, заданные как вектор положительных целых чисел. |
|
Список элементов в |
|
Вектор символов, описывающий, как |
|
Квадратная матрица, где |
|
Расширенные имена предиктора, сохраненные как массив ячеек из символьных векторов. Если кодирование использования модели для категориальных переменных, то |
|
Числовой массив подходящей информации. |
|
Вектор символов, описывающий значение |
|
Описание оптимизации перекрестной проверки гиперпараметров, сохраненных как
|
|
Массив ячеек из символьных векторов с именами слабых учеников в ансамбле. Имя каждого ученика появляется только однажды. Например, если у вас есть ансамбль 100 деревьев, |
|
Вектор символов, описывающий метод, который создает |
|
Параметры используются в учебном |
|
Числовой скаляр, содержащий количество наблюдений в обучающих данных. |
|
Количество обученных слабых учеников в |
|
Массив ячеек имен для переменных предикторов, в порядке, в котором они появляются в |
|
Числовой вектор априорных вероятностей для каждого класса. Порядок элементов |
|
Вектор символов, описывающий причину |
|
Вектор символов с именем переменной отклика |
|
Указатель на функцию для преобразования баллов или вектора символов, представляющего встроенную функцию преобразования. Добавьте или измените ens.ScoreTransform = 'function' или ens.ScoreTransform = @function |
|
Вектор ячейки обученных моделей классификации.
|
|
Числовой вектор обученных весов для слабых учеников в |
|
Логическая матрица размера Если ансамбль не имеет типа |
|
Масштабированный |
|
Матрица или таблица значений предиктора, которые обучили ансамбль. Каждый столбец |
|
Числовой вектор, категориальный вектор, логический вектор, символьный массив или массив ячеек из символьных векторов. Каждая строка |
| компактный | Компактный ансамбль классификации |
| crossval | Крест подтверждает ансамбль |
| resubEdge | Ребро классификации перезаменой |
| resubLoss | Ошибка классификации перезаменой |
| resubMargin | Поля классификации перезаменой |
| resubPredict | Классифицируйте наблюдения на ансамбль моделей классификации |
| резюме | Возобновите учебный ансамбль |
| ребро | Ребро классификации |
| потеря | Ошибка классификации |
| поле | Поля классификации |
| предсказать | Классифицируйте ансамбль использования наблюдений моделей классификации |
| predictorImportance | Оценки важности предиктора для ансамбля классификации деревьев решений |
| removeLearners | Удалите членов компактного ансамбля классификации |
Значение. Чтобы изучить, как классы значения влияют на операции копии, смотрите Копирование Объектов (MATLAB).
Загрузите ionosphere набор данных.
load ionosphereОбучите повышенный ансамбль 100 деревьев классификации с помощью всех измерений и AdaBoostM1 метод.
Mdl = fitcensemble(X,Y,'Method','AdaBoostM1')
Mdl =
classreg.learning.classif.ClassificationEnsemble
ResponseName: 'Y'
CategoricalPredictors: []
ClassNames: {'b' 'g'}
ScoreTransform: 'none'
NumObservations: 351
NumTrained: 100
Method: 'AdaBoostM1'
LearnerNames: {'Tree'}
ReasonForTermination: 'Terminated normally after completing the requested number of training cycles.'
FitInfo: [100x1 double]
FitInfoDescription: {2x1 cell}
Properties, Methods
Mdl ClassificationEnsemble объект модели.
Mdl.Trained свойство, которое хранит 100 1 вектор ячейки обученных деревьев классификации (CompactClassificationTree объекты модели), которые составляют ансамбль.
Постройте график первого обученного дерева классификации.
view(Mdl.Trained{1},'Mode','graph')
По умолчанию, fitcensemble выращивает мелкие деревья для повышенных ансамблей деревьев.
Предскажите метку среднего значения X.
predMeanX = predict(Mdl,mean(X))
predMeanX = 1x1 cell array
{'g'}
Для ансамбля деревьев классификации, Trained свойство ens хранит ens.NumTrained- 1 вектор ячейки компактных моделей классификации. Для текстового или графического дисплея древовидного t в векторе ячейки, введите:
представление (сущность. Обученный { поскольку ансамбли агрегировали использование LogitBoost или GentleBoost.t}.CompactRegressionLearner)
представление (сущность. Обученный { для всех других методов агрегации.t})
ClassificationTree | CompactClassificationEnsemble | compareHoldout | fitcensemble | view