Класс: TreeBagger
Компактный ансамбль деревьев принятия решений
CMdl = compact(Mdl)Mdl, a TreeBagger объект модели. Можно прогнозировать регрессии с помощью CMdl точно, как вы можете использовать Mdl. Однако с тех пор CMdl не содержит обучающих данных, нельзя выполнять некоторые действия, например, делать прогнозы вне пакета с помощью oobPredict.
|
Регрессионный ансамбль, созданный с помощью |
|
Компактный регрессионный ансамбль. |
Создание компактного пакета деревьев для эффективного прогнозирования новых данных.
Загрузить ionosphere набор данных.
load ionosphereОбучение мешка из 100 деревьев классификации с использованием всех измерений и AdaBoostM1 способ.
Mdl = TreeBagger(100,X,Y,'Method','classification')
Mdl =
TreeBagger
Ensemble with 100 bagged decision trees:
Training X: [351x34]
Training Y: [351x1]
Method: classification
NumPredictors: 34
NumPredictorsToSample: 6
MinLeafSize: 1
InBagFraction: 1
SampleWithReplacement: 1
ComputeOOBPrediction: 0
ComputeOOBPredictorImportance: 0
Proximity: []
ClassNames: 'b' 'g'
Properties, Methods
Mdl является TreeBagger объект модели, содержащий, среди прочего, данные обучения.
Создание компактной версии Mdl.
CMdl = compact(Mdl)
CMdl =
CompactTreeBagger
Ensemble with 100 bagged decision trees:
Method: classification
NumPredictors: 34
ClassNames: 'b' 'g'
Properties, Methods
CMdl является CompactTreeBagger объект модели. CMdl почти то же, что и Mdl. Одно исключение состоит в том, что в нем не хранятся данные обучения.
Сравнение объемов занимаемого пространства Mdl и CMdl.
mdlInfo = whos('Mdl'); cMdlInfo = whos('CMdl'); [mdlInfo.bytes cMdlInfo.bytes]
ans = 1×2
1115742 976936
Mdl занимает больше места, чем CMdl.
CMdl.Trees хранит обученные деревья классификации (CompactClassificationTree объекты модели), которые составляют Mdl.
Отображение графика первого дерева в компактной модели.
view(CMdl.Trees{1},'Mode','graph');
По умолчанию TreeBagger выращивает глубокие деревья.
Спрогнозировать метку среднего значения X с использованием компактного ансамбля.
predMeanX = predict(CMdl,mean(X))
predMeanX = 1x1 cell array
{'g'}