Пакет: classreg.learning.classif
Суперклассы: ClassificationEnsemble
Классификационный ансамбль, выращенный методом ресамплинга
ClassificationBaggedEnsemble объединяет набор обученных моделей слабых учащихся и данных, на которых эти учащиеся были обучены. Он может прогнозировать ансамблевую реакцию для новых данных, агрегируя прогнозы от своих слабых учеников.
Создание объекта ансамбля классификации в мешках с помощью fitcensemble. Задать аргумент пары имя-значение 'Method' из fitcensemble кому 'Bag' для использования агрегации загрузочной полосы (пакетирование, например, случайного леса).
|
Ребра ячеек для числовых предикторов, заданные как массив ячеек из p числовых векторов, где p - число предикторов. Каждый вектор включает в себя края ячейки для числового предсказателя. Элемент в массиве ячеек для категориального предиктора пуст, поскольку программное обеспечение не содержит категориальных предикторов. Программа содержит числовые предикторы только при указании Можно воспроизвести привязанные данные предиктора 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 ячеек в диапазоне от 1 до числа ячеек для числовых предикторов. Xbinned значения равны 0 для категориальных предикторов. Если X содержит NaNs, затем соответствующее Xbinned значения NaNs.
|
|
Индексы категориального предиктора, указанные как вектор положительных целых чисел. |
|
Список элементов в |
|
Символьный вектор, описывающий |
|
Расширенные имена предикторов, хранящиеся в виде клеточного массива символьных векторов. Если модель использует кодировку для категориальных переменных, то |
|
Числовой массив информации о соответствии. |
|
Вектор символов, описывающий значение |
|
Числовой скаляр между |
|
Описание оптимизации гиперпараметров с перекрестной проверкой, сохраненное как
|
|
Вектор символов, описывающий создаваемый метод |
|
Параметры, используемые при обучении |
|
Число обученных слабых учащихся в |
|
Массив ячеек имен для переменных предиктора в порядке их появления в |
|
Вектор символов, описывающий причину |
|
Логическое значение, указывающее, прошел ли ансамбль обучение с заменой ( |
|
Символьный вектор с именем переменной ответа |
|
Дескриптор функции для преобразования баллов или символьного вектора, представляющего встроенную функцию преобразования. Добавить или изменить ens.ScoreTransform = 'function' или ens.ScoreTransform = @function |
|
Обученные ученики, клеточный массив компактных моделей классификации. |
|
Численный вектор обученных весов для слабых учащихся в |
|
Логическая матрица размера |
|
Чешуйчатый |
|
Матрица или таблица значений предиктора, которые обучали ансамбль. Каждый столбец |
|
Категориальный массив, массив ячеек символьных векторов, символьный массив, логический вектор или числовой вектор с тем же количеством строк, что и |
compact | Компактный классификационный ансамбль |
compareHoldout | Сравнение точности двух классификационных моделей с использованием новых данных |
crossval | Ансамбль перекрестной проверки |
edge | Край классификации |
lime | Локальные интерпретируемые модели-агностические объяснения (LIME) |
loss | Ошибка классификации |
margin | Поля классификации |
oobEdge | Край классификации вне мешка |
oobLoss | Ошибка классификации вне пакета |
oobMargin | Границы классификации вне упаковки |
oobPermutedPredictorImportance | Оценки важности предиктора путем перестановки наблюдений предиктора вне мешка для случайного леса деревьев классификации |
oobPredict | Прогнозирование внеплощадочной реакции ансамбля |
partialDependence | Вычислить частичную зависимость |
plotPartialDependence | Создание графиков частичной зависимости (PDP) и индивидуального условного ожидания (ICE) |
predict | Классифицировать наблюдения с использованием совокупности классификационных моделей |
predictorImportance | Оценки важности предиктора для классификационного ансамбля деревьев решений |
removeLearners | Удалить элементы компактного классификационного ансамбля |
resubEdge | Край классификации путем повторной субституции |
resubLoss | Ошибка классификации в результате повторного предоставления |
resubMargin | Классификационные маржи по возврату |
resubPredict | Классифицировать наблюдения в совокупности классификационных моделей |
resume | Возобновить учебный ансамбль |
shapley | Значения Шапли |
testckfold | Сравнение точности двух классификационных моделей с помощью повторной перекрестной проверки |
Значение. Сведения о том, как классы значений влияют на операции копирования, см. в разделе Копирование объектов.
Загрузить ionosphere набор данных.
load ionosphereС помощью всех измерений можно обучить пакетированный ансамбль из 100 классификационных деревьев.
Mdl = fitcensemble(X,Y,'Method','Bag')
fitcensemble использует объект дерева шаблонов по умолчанию templateTree() как слабый ученик, когда 'Method' является 'Bag'. В этом примере для воспроизводимости укажите 'Reproducible',true при создании объекта шаблона дерева, а затем использовании объекта 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 является ClassificationBaggedEnsemble объект модели.
Mdl.Trained является свойством, которое хранит вектор клеток 100 на 1 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 принятия решений для фасованных ансамблей.
Оцените коэффициент неправильной классификации в выборке.
L = resubLoss(Mdl)
L = 0
L равно 0, что означает, что Mdl идеально подходит для классификации данных обучения.
Для фасованного ансамбля классификационных деревьев, Trained имущество ens сохраняет вектор ячейки ens.NumTrained
CompactClassificationTree объекты модели. Для текстового или графического отображения дерева t в векторе ячейки введите
view(ens.Trained{t})ClassificationEnsemble | compareHoldout | fitcensemble | fitctree | view