Пакет: classreg.learning.classif
Суперклассы: ClassificationEnsemble
Ансамбль классификации, выращенный путем передискретизации
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.
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).
|
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 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 в виде вектора из положительных целых чисел. |
|
Список элементов в |
|
Вектор символов, описывающий, как |
|
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 |
|
Числовой скаляр между |
|
Описание оптимизации перекрестной проверки гиперпараметров, сохраненных как
|
|
Вектор символов, описывающий метод, который создает |
|
Параметры используются в учебном |
|
Количество обученных слабых учеников в |
|
Массив ячеек имен для переменных предикторов, в порядке, в котором они появляются в |
|
Вектор символов, описывающий причину |
|
Логическое значение, указывающее, был ли ансамбль обучен с заменой ( |
|
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 |
|
Обученные ученики, массив ячеек компактных моделей классификации. |
|
Числовой вектор из обученных весов для слабых учеников в |
|
Логическая матрица размера |
|
Масштабированный |
|
Матрица или таблица значений предиктора, которые обучили ансамбль. Каждый столбец |
|
Категориальный массив, массив ячеек из символьных векторов, символьный массив, логический вектор или числовой вектор с одинаковым числом строк как |
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 |
Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел "Копирование объектов".
Загрузите ionosphere набор данных.
load ionosphereМожно 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')
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.
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})ClassificationEnsemble | compareHoldout | fitcensemble | fitctree | view