ClassificationBaggedEnsemble

Пакет: classreg.learning.classif
Суперклассы: ClassificationEnsemble

Ансамбль классификации, выращенный путем передискретизации

Описание

ClassificationBaggedEnsemble комбинирует набор обученных слабых моделей ученика и данных, на которых были обучены эти ученики. Это может предсказать ответ ансамбля для новых данных путем агрегации предсказаний от его слабых учеников.

Конструкция

Создайте сложенное в мешок использование объекта ансамбля классификации fitcensemble. Установите аргумент пары "имя-значение" 'Method' из fitcensemble к 'Bag' использовать агрегацию начальной загрузки (укладывание в мешки, например, случайный лес).

Свойства

`BinEdges`	Границы интервала для числовых предикторов в виде массива ячеек p числовые векторы, где p является количеством предикторов. Каждый вектор включает границы 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 `'NumBins'` аргумент значения имени как положительный целочисленный скаляр, когда обучение модель с древовидными учениками. `BinEdges` свойство пусто если `'NumBins'` значение пусто (значение по умолчанию). Можно воспроизвести сгруппированные данные о предикторе `Xbinned` при помощи `BinEdges` свойство обученной модели `mdl`. 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 `discretize` function. xbinned = discretize(x,[-inf; edges{j}; inf]); Xbinned(:,j) = xbinned; end `Xbinned` содержит индексы интервала, в пределах от 1 к количеству интервалов, для числовых предикторов. `Xbinned` значения 0 для категориальных предикторов. Если `X` содержит `NaN`s, затем соответствующий `Xbinned` значениями является `NaN`s.
`CategoricalPredictors`	Категориальные индексы предиктора в виде вектора из положительных целых чисел. `CategoricalPredictors` содержит значения индекса, соответствующие столбцам данных о предикторе, которые содержат категориальные предикторы. Если ни один из предикторов не является категориальным, то это свойство пусто (`[]`).
`ClassNames`	Список элементов в `Y` с удаленными копиями. `ClassNames` может быть числовой вектор, категориальный вектор, логический вектор, символьный массив или массив ячеек из символьных векторов. `ClassNames` имеет совпадающий тип данных как данные в аргументе `Y`. (Программное обеспечение обрабатывает строковые массивы как массивы ячеек из символьных векторов.)
`CombineWeights`	Вектор символов, описывающий, как `ens` комбинирует слабые веса ученика, любой `'WeightedSum'` или `'WeightedAverage'`.
`ExpandedPredictorNames`	Расширенные имена предиктора, сохраненные как массив ячеек из символьных векторов. Если кодирование использования модели для категориальных переменных, то `ExpandedPredictorNames` включает имена, которые описывают расширенные переменные. В противном случае, `ExpandedPredictorNames` совпадает с `PredictorNames`.
`FitInfo`	Числовой массив подходящей информации. `FitInfoDescription` свойство описывает содержимое этого массива.
`FitInfoDescription`	Вектор символов, описывающий значение `FitInfo` массив.
`FResample`	Числовой скаляр между `0` и `1`. `FResample` часть обучающих данных `fitcensemble` передискретизируемый наугад для каждого слабого ученика при построении ансамбля.
`HyperparameterOptimizationResults`	Описание оптимизации перекрестной проверки гиперпараметров, сохраненных как `BayesianOptimization` возразите или таблица гиперпараметров и присваиваемых значений. Непустой, когда `OptimizeHyperparameters` пара "имя-значение" непуста при создании. Значение зависит от установки `HyperparameterOptimizationOptions` пара "имя-значение" при создании: `'bayesopt'` (значение по умолчанию) — Объект класса `BayesianOptimization` `'gridsearch'` или `'randomsearch'` — Таблица гиперпараметров используемые, наблюдаемые значения целевой функции (потеря перекрестной проверки), и ранг наблюдений от самого низкого (лучше всего) к (худшему) самому высокому
`Method`	Вектор символов, описывающий метод, который создает `ens`.
`ModelParameters`	Параметры используются в учебном `ens`.
`NumTrained`	Количество обученных слабых учеников в `ens`, скаляр.
`PredictorNames`	Массив ячеек имен для переменных предикторов, в порядке, в котором они появляются в `X`.
`ReasonForTermination`	Вектор символов, описывающий причину `fitcensemble` остановленные добавляющие слабые ученики ансамблю.
`Replace`	Логическое значение, указывающее, был ли ансамбль обучен с заменой (`true`) или без замены (`false`).
`ResponseName`	Вектор символов с именем переменной отклика `Y`.
`ScoreTransform`	Указатель на функцию для преобразования баллов или вектора символов, представляющего встроенную функцию преобразования. `'none'` средние значения никакое преобразование; эквивалентно, `'none'` средние значения `@(x)x`. Для списка встроенных функций преобразования и синтаксиса пользовательских функций преобразования, смотрите `fitctree`. Добавьте или измените `ScoreTransform` функция с помощью записи через точку: ens.ScoreTransform = 'function' или ens.ScoreTransform = @function
`Trained`	Обученные ученики, массив ячеек компактных моделей классификации.
`TrainedWeights`	Числовой вектор из обученных весов для слабых учеников в `ens`. `TrainedWeights` имеет `T` элементы, где `T` количество слабых учеников в `learners`.
`UseObsForLearner`	Логическая матрица размера `N`- `NumTrained`, где `N` количество наблюдений в обучающих данных и `NumTrained` количество обученных слабых учеников. `UseObsForLearner(I,J)` `true` если наблюдение `I` использовался для учебного ученика `J`, и `false` в противном случае.
`W`	Масштабированный `weights`, вектор с длиной `n`, количество строк в `X`. Сумма элементов `W` `1`.
`X`	Матрица или таблица значений предиктора, которые обучили ансамбль. Каждый столбец `X` представляет одну переменную, и каждая строка представляет одно наблюдение.
`Y`	Категориальный массив, массив ячеек из символьных векторов, символьный массив, логический вектор или числовой вектор с одинаковым числом строк как `X`. Каждая строка `Y` представляет классификацию соответствующей строки `X`.

Функции объекта

`compact`	Компактный ансамбль классификации
`compareHoldout`	Сравните точность двух моделей классификации с помощью новых данных
`crossval`	Крест подтверждает ансамбль
`edge`	Ребро классификации
`lime`	Локальные поддающиеся толкованию объяснения модели агностические (LIME)
`loss`	Ошибка классификации
`margin`	Поля классификации
`oobEdge`	Ребро классификации из сумки
`oobLoss`	Ошибка классификации из сумки
`oobMargin`	Поля классификации из сумки
`oobPermutedPredictorImportance`	Важность предиктора оценивает сочетанием наблюдений предиктора из сумки для случайного леса деревьев классификации
`oobPredict`	Предскажите ответ из сумки ансамбля
`partialDependence`	Вычислите частичную зависимость
`plotPartialDependence`	Создайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP)
`predict`	Классифицируйте ансамбль использования наблюдений моделей классификации
`predictorImportance`	Оценки важности предиктора для ансамбля классификации деревьев решений
`removeLearners`	Удалите члены компактного ансамбля классификации
`resubEdge`	Ребро классификации перезаменой
`resubLoss`	Ошибка классификации перезаменой
`resubMargin`	Поля классификации перезаменой
`resubPredict`	Классифицируйте наблюдения на ансамбль моделей классификации
`resume`	Возобновите учебный ансамбль
`shapley`	Шепли оценивает
`testckfold`	Сравните точность двух моделей классификации повторной перекрестной проверкой

Копировать семантику

Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел "Копирование объектов".

Примеры

свернуть все

Обучите уволенный ансамбль деревьев классификации

Скрипт Open Live Script

Загрузите ionosphere набор данных.

load ionosphere

Можно обучить уволенный ансамбль 100 деревьев классификации с помощью всех измерений.

Mdl = fitcensemble(X,Y,'Method','Bag')

fitcensemble использует объект templateTree() дерева шаблона по умолчанию как слабый ученик, когда 'Method' 'Bag'. В этом примере, для воспроизводимости, задают 'Reproducible',true когда вы создаете древовидный объект шаблона, и затем используете объект в качестве слабого ученика.

rng('default') % For reproducibility
t = templateTree('Reproducible',true); % For reproducibiliy of random predictor selections
Mdl = fitcensemble(X,Y,'Method','Bag','Learners',t)

Mdl = 
  ClassificationBaggedEnsemble
             ResponseName: 'Y'
    CategoricalPredictors: []
               ClassNames: {'b'  'g'}
           ScoreTransform: 'none'
          NumObservations: 351
               NumTrained: 100
                   Method: 'Bag'
             LearnerNames: {'Tree'}
     ReasonForTermination: 'Terminated normally after completing the requested number of training cycles.'
                  FitInfo: []
       FitInfoDescription: 'None'
                FResample: 1
                  Replace: 1
         UseObsForLearner: [351x100 logical]


  Properties, Methods

Mdl ClassificationBaggedEnsemble объект модели.

Mdl.Trained свойство, которое хранит 100 1 вектор ячейки из обученных деревьев классификации (CompactClassificationTree объекты модели), которые составляют ансамбль.

Постройте график первого обученного дерева классификации.

view(Mdl.Trained{1},'Mode','graph')

Figure Classification tree viewer contains an axes and other objects of type uimenu, uicontrol. The axes contains 60 objects of type line, text.

По умолчанию, fitcensemble выращивает глубокие деревья решений для уволенных ансамблей.

Оцените misclassification уровень в выборке.

L = resubLoss(Mdl)

L = 0

L 0, который указывает на тот Mdl совершенно при классификации обучающих данных.

Советы

Для уволенного ансамбля деревьев классификации, Trained свойство ens хранит вектор ячейки из ens.NumTrained CompactClassificationTree объекты модели. Для текстового или графического дисплея древовидного t в векторе ячейки войти

view(ens.Trained{t})

Расширенные возможности

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Указания и ограничения по применению:

predict функционируйте генерация кода поддержек.
Чтобы интегрировать предсказание ансамбля в Simulink^®, можно использовать блок ClassificationEnsemble Predict в библиотеке Statistics and Machine Learning Toolbox™ или Функциональном блоке MATLAB^® с predict функция.
Когда вы обучаете ансамбль при помощи fitcensemble, ограничения генерации кода для слабых учеников, используемых в ансамбле также, применяются к ансамблю. Для получения дополнительной информации смотрите разделы Генерации кода CompactClassificationDiscriminant и CompactClassificationTree.
Для генерации фиксированной точки необходимо обучить ансамбль, использующий древовидных учеников.

Для получения дополнительной информации смотрите Введение в Генерацию кода.

Документация

ClassificationBaggedEnsemble

Описание

Конструкция

Свойства

Функции объекта

Копировать семантику

Примеры

Обучите уволенный ансамбль деревьев классификации

Советы

Расширенные возможности

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

Темы

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

ClassificationBaggedEnsemble

Описание

Конструкция

Свойства

Функции объекта

Копировать семантику

Примеры

Обучите уволенный ансамбль деревьев классификации

Советы

Расширенные возможности

Генерация кода C/C++ Генерация кода C и C++ с помощью MATLAB® Coder™.

Смотрите также

Темы

Документация Statistics and Machine Learning Toolbox

Поддержка

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.