Создайте компактный мешок деревьев для того, чтобы эффективно сделать предсказания на новых данных.
Загрузите ionosphere
набор данных.
Обучите мешок 100 деревьев классификации с помощью всех измерений и AdaBoostM1
метод.
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
TreeBagger
объект модели, который содержит обучающие данные, среди прочего.
Создайте компактную версию Mdl
.
CMdl =
CompactTreeBagger
Ensemble with 100 bagged decision trees:
Method: classification
NumPredictors: 34
ClassNames: 'b' 'g'
Properties, Methods
CMdl
CompactTreeBagger
объект модели. CMdl
почти то же самое как Mdl
. Одно исключение - то, что это не хранит обучающие данные.
Сравните суммы места, занимавшего Mdl
и CMdl
.
Mdl
занимает больше места, чем CMdl
.
CMdl.Trees
хранит обученные деревья классификации (CompactClassificationTree
объекты модели), которые составляют Mdl
.
Отобразите график первого дерева в компактной модели.
По умолчанию, TreeBagger
выращивает глубокие деревья.
Предскажите метку среднего значения X
использование компактного ансамбля.
predMeanX = 1x1 cell array
{'g'}