Exponenta Banner

edge

Ребро классификации

расширьте все на странице

Синтаксис

E = edge(ens,tbl,ResponseVarName)
E = edge(ens,tbl,Y)
E = edge(ens,X,Y)
E = edge(___,Name,Value)

Описание

E = edge(ens,tbl,ResponseVarName) возвращает ребро классификации для ens с данными tbl и классификация tbl.ResponseVarName.

E = edge(ens,tbl,Y) возвращает ребро классификации для ens с данными tbl и классификация Y.

E = edge(ens,X,Y) возвращает ребро классификации для ens с данными X и классификация Y.

E = edge(___,Name,Value) вычисляет ребро с дополнительными опциями, заданными одним или несколькими Name,Value парные аргументы, с помощью любого из предыдущих синтаксисов.

Входные параметры

ens

Ансамбль классификации создается с fitcensemble, или компактный ансамбль классификации создается с compact.

tbl

Выборочные данные, заданные как таблица. Каждая строка tbl соответствует одному наблюдению, и каждый столбец соответствует одному переменному предиктору. tbl должен содержать все предикторы, используемые, чтобы обучить модель. Многостолбцовые переменные и массивы ячеек кроме массивов ячеек из символьных векторов не позволены.

Если вы обучили ens использование выборочных данных содержится в table, затем входные данные для этого метода должны также быть в таблице.

ResponseVarName

Имя переменной отклика, заданное как имя переменной в tbl.

Необходимо задать ResponseVarName как вектор символов или скаляр строки. Например, если переменная отклика Y хранится как tbl.Y, затем задайте его как 'Y'. В противном случае программное обеспечение обрабатывает все столбцы tbl, включая Y, как предикторы, когда обучение модель.

X

Матрица A, где каждая строка представляет наблюдение и каждый столбец, представляет предиктор. Количество столбцов в X должен равняться количеству предикторов в ens.

Если вы обучили ens с помощью выборочных данных, содержавшихся в матрице, затем, входные данные для этого метода должны также быть в матрице.

Y

Метки класса наблюдений в tbl или XY должен иметь тот же тип, как классификация раньше обучала ens, и его число элементов должно равняться количеству строк tbl или X.

Аргументы в виде пар имя-значение

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

'learners'

Индексы слабых учеников в ансамбле в пределах от 1 к ens.NumTrained. edge использование только эти ученики для вычисления потери.

Значение по умолчанию: 1:NumTrained

'mode'

Значение выхода E:

  • 'ensemble' E скалярное значение, ребро для целого ансамбля.

  • 'individual' E вектор с одним элементом на обученного ученика.

  • 'cumulative' E вектор в который элемент J получен при помощи учеников 1:J из списка входов учеников.

Значение по умолчанию: 'ensemble'

'UseObsForLearner'

Логическая матрица размера N- T, где:

  • N количество строк X.

  • T количество слабых учеников в ens.

Когда UseObsForLearner(i,j) true, ученик j используется в предсказании класса строки i из X.

Значение по умолчанию: true(N,T)

'weights'

Веса наблюдения, числовой вектор длины size(X,1). Если вы предоставляете веса, edge вычисляет взвешенное ребро классификации.

Значение по умолчанию: ones(size(X,1),1)

Выходные аргументы

E

Ребро классификации, вектор или скаляр в зависимости от установки mode пара "имя-значение". Ребро классификации является средневзвешенным полем классификации.

Примеры

развернуть все

Скрипт Open Live Script

Найдите, что ребро классификации для некоторых данных раньше обучало повышенный классификатор ансамбля.

Загрузите ionosphere набор данных.

load ionosphere

Обучите ансамбль 100 повышенных деревьев классификации с помощью AdaBoostM1.

t = templateTree('MaxNumSplits',1); % Weak learner template tree object
ens = fitcensemble(X,Y,'Method','AdaBoostM1','Learners',t);

Найдите ребро классификации для последних нескольких строк.

E = edge(ens,X(end-10:end,:),Y(end-10:end))
E = 8.3310

Больше о

развернуть все

Расширенные возможности

Смотрите также

|

Документация Statistics and Machine Learning Toolbox
Поддержка