Классификационный ансамбль представляет собой прогностическую модель, состоящую из взвешенной комбинации нескольких классификационных моделей. В целом, объединение нескольких классификационных моделей повышает прогностическую производительность.
Для интерактивного изучения классификационных ансамблей используйте приложение Classification Learner. fitcensemble в интерфейсе командной строки для увеличения или пакетирования деревьев классификации или для выращивания случайного леса [12]. Дополнительные сведения обо всех поддерживаемых ансамблях см. в разделе Алгоритмы ансамблей. Чтобы свести проблему мультикласса к совокупности проблем двоичной классификации, обучайте модель выходных кодов с исправлением ошибок (ECOC). Для получения более подробной информации см. fitcecoc.
Чтобы увеличить число регрессионных деревьев с помощью LSBoost или вырастить случайный лес регрессионных деревьев [12], см. «Регрессионные ансамбли».
| Классификатор | Обучение моделей классификации данных с помощью контролируемого машинного обучения |
| ClassificationEnsemble предсказывают | Классифицировать наблюдения с использованием совокупности деревьев решений |
Подготовка классификаторов ансамблей с помощью приложения Classification Learner
Создание и сравнение классификаторов ансамблей и экспорт обученных моделей для прогнозирования новых данных.
Получайте высокоточные прогнозы, используя множество слабых учеников.
Узнайте о различных алгоритмах обучения ансамблю.
Ансамбль классификации поездов
Тренируйте простой классификационный ансамбль.
Изучите методы оценки прогнозирующего качества ансамбля.
Узнайте, как установить вероятности предыдущих классов и затраты на неправильную классификацию.
Классификация с несбалансированными данными
Алгоритм RUSBoost используется для классификации, когда один или несколько классов чрезмерно представлены в данных.
LPBoost и TotalBoost для небольших ансамблей
Создайте небольшие ансамбли с помощью алгоритмов LPBoost и TotalBoost. (LPBoost и TotalBoost требуют Toolbox™ оптимизации.)
Настройка параметров ProxedBoost для повышения точности прогнозирования. (Для работы с Boost требуется панель инструментов оптимизации.)
Получайте лучшие прогнозы при отсутствии данных с помощью суррогатных расщеплений.
Ансамбль классификации поездов параллельно
Параллельно обучайте пакетированный ансамбль воспроизводимо.
Агрегация начальной загрузки (пакетирование) классификационных деревьев с использованием TreeBagger
Создать TreeBagger ансамбль для классификации.
Кредитный рейтинг по деревьям решений по фасовке в мешки
В этом примере показано, как создать автоматизированный инструмент оценки кредитоспособности.
Классификация случайных подпространств
Повысить точность классификации с помощью случайного подпространственного ансамбля.
Прогнозирование меток классов с использованием блока прогнозирования Ensemble
Обучите модель классификационного ансамбля оптимальным гиперпараметрам, а затем используйте блок Прогнозирование классификационного ансамбля для прогнозирования метки.