Пакет: classreg.learning.classif
Суперклассы: CompactClassificationEnsemble
Классификатор ансамбля
ClassificationEnsemble
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. Это хранит данные, используемые для обучения, может вычислить предсказания перезамены и может возобновить обучение при желании.
Создайте использование объекта ансамбля классификации fitcensemble
.
|
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 NaN s, затем соответствующий Xbinned значениями является NaN s.
|
|
Категориальные индексы предиктора в виде вектора из положительных целых чисел. |
|
Список элементов в |
|
Вектор символов, описывающий, как |
|
Квадратная матрица, где |
|
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 |
|
Описание оптимизации перекрестной проверки гиперпараметров, сохраненных как
|
|
Массив ячеек из символьных векторов с именами слабых учеников в ансамбле. Имя каждого ученика появляется только однажды. Например, если у вас есть ансамбль 100 деревьев, |
|
Вектор символов, описывающий метод, который создает |
|
Параметры используются в учебном |
|
Числовой скаляр, содержащий количество наблюдений в обучающих данных. |
|
Количество обученных слабых учеников в |
|
Массив ячеек имен для переменных предикторов, в порядке, в котором они появляются в |
|
Числовой вектор из априорных вероятностей для каждого класса. Порядок элементов |
|
Вектор символов, описывающий причину |
|
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 |
|
Вектор ячейки из обученных моделей классификации.
|
|
Числовой вектор из обученных весов для слабых учеников в |
|
Логическая матрица размера Если ансамбль не имеет типа |
|
Масштабированный |
|
Матрица или таблица значений предиктора, которые обучили ансамбль. Каждый столбец |
|
Числовой вектор, категориальный вектор, логический вектор, символьный массив или массив ячеек из символьных векторов. Каждая строка |
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 |
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".
Для ансамбля деревьев классификации, Trained
свойство ens
хранит ens.NumTrained
- 1 вектор ячейки из компактных моделей классификации. Для текстового или графического дисплея древовидного t
в векторе ячейки, введите:
представление (сущность. Обученный {
поскольку ансамбли агрегировали использование LogitBoost или GentleBoost.t
}.CompactRegressionLearner)
представление (сущность. Обученный {
для всех других методов агрегации.t
})
ClassificationTree
| CompactClassificationEnsemble
| compareHoldout
| fitcensemble
| view