Просмотрите дерево классификации
view(tree)
view(tree,Name,Value)
view( возвращает текстовое описание tree)tree, дерево решений.
view( описывает tree,Name,Value)tree с дополнительными опциями, заданными одним или несколькими Name,Value парные аргументы.
|
Классификация древовидное или компактное дерево классификации, созданное |
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.
|
Значение, описывающее отображение Значение по умолчанию: |
Просмотрите текстовые и графические дисплеи обученного дерева классификации.
Загрузите ирисовый набор данных Фишера.
load fisheririsОбучите дерево классификации, использующее все измерения.
Mdl = fitctree(meas,species);
Просмотрите текстовое отображение обученного дерева классификации.
view(Mdl)
Decision tree for classification 1 if x3<2.45 then node 2 elseif x3>=2.45 then node 3 else setosa 2 class = setosa 3 if x4<1.75 then node 4 elseif x4>=1.75 then node 5 else versicolor 4 if x3<4.95 then node 6 elseif x3>=4.95 then node 7 else versicolor 5 class = virginica 6 if x4<1.65 then node 8 elseif x4>=1.65 then node 9 else versicolor 7 class = virginica 8 class = versicolor 9 class = virginica
Просмотрите графический дисплей обученного дерева классификации.
view(Mdl,'Mode','graph');
Загрузите ирисовый набор данных Фишера.
load fisheririsВырастите мешок 100 деревьев классификации с помощью всех измерений.
rng(1) % For reproducibility
Mdl = TreeBagger(100,meas,species);В качестве альтернативы можно использовать fitcensemble выращивать мешок деревьев классификации.
Mdl TreeBagger объект модели. Mdl.Trees хранит мешок 100 обученных деревьев классификации в 100 1 массиве ячеек. Таким образом, каждая ячейка в Mdl.Trees содержит CompactClassificationTree объект модели.
Просмотрите график 10-го дерева классификации в сумке.
Tree10 = Mdl.Trees{10};
view(Tree10,'Mode','graph');
По умолчанию программное обеспечение выращивает глубокие деревья для мешков деревьев.
Загрузите ирисовый набор данных Фишера.
load fisheririsПовысьте ансамбль 100 деревьев классификации с помощью всех измерений. Задайте пни как слабых учеников.
t = templateTree('MaxNumSplits',1); Mdl = fitcensemble(meas,species,'Method','AdaBoostM2','Learners',t);
Mdl ClassificationEnsemble объект модели. Mdl.Trained хранит ансамбль 100 обученных деревьев классификации в 100 1 массиве ячеек. Таким образом, каждая ячейка в Mdl.Trained содержит CompactClassificationTree объект модели.
Просмотрите график 10-го дерева классификации в ансамбле.
Tree10 = Mdl.Trained{10};
view(Tree10,'Mode','graph');
График показывает пень, потому что вы задали пни как слабые ученики для ансамбля. Однако это поведение не является значением по умолчанию для fitcensemble. По умолчанию, fitcensemble выращивает мелкие деревья для повышенных ансамблей деревьев. Таким образом, 'Learners' templateTree('MaxNumSplits',10).
Просмотреть древовидный t от ансамбля деревьев введите одну из этих строк кода
view(Ens.Trained{t})
view(Bag.Trees{t})Ens полный ансамбль, возвращенный fitcensemble или компактный ансамбль, возвращенный compact.
Bag полный мешок деревьев, возвращенных TreeBagger или компактный мешок деревьев, возвращенных compact.
Сохранить tree в Командном окне получите указатель фигуры при помощи findall и setdiff функции, и затем сохраняют tree использование функции saveas.
before = findall(groot,'Type','figure'); % Find all figures view(Mdl,'Mode','graph') after = findall(groot,'Type','figure'); h = setdiff(after,before); % Get the figure handle of the tree viewer saveas(h,'a.png')