Классификационный ансамбль является прогнозирующей моделью, состоящей из взвешенной комбинации нескольких классификационных моделей. В целом, объединение нескольких классификационных моделей увеличивает прогнозирующую эффективность.
Чтобы исследовать классификационные ансамбли в интерактивном режиме, используйте Classification Learner приложения. Для большей гибкости используйте fitcensemble в интерфейсе командной строки для увеличения или сумки деревьев классификации или для выращивания случайного леса [12]. Подробную информацию обо всех поддерживаемых ансамблях см. в Ensemble Algorithms. Чтобы уменьшить многоклассовую задачу в ансамбль двоичных задач классификации, обучите модель выходных кодов с исправлением ошибок (ECOC). Для получения дополнительной информации смотрите fitcecoc.
Чтобы повысить регрессионные деревья с помощью LSBoost или вырастить случайный лес регрессионых деревьев [12], смотрите Regression Ensembles.
| Classification Learner | Обучите модели классифицировать данные с помощью машинного обучения с учителем |
| ClassificationEnsemble Predict | Классифицируйте наблюдения с помощью ансамбля деревьев решений |
Обучите классификаторы ансамблей, используя приложение Classification Learner
Создайте и сравните классификаторы ансамблей, и экспортируйте обученные модели, чтобы делать предсказания для новых данных.
Получите высокоточные предсказания при помощи многих слабых учащихся.
Узнайте о различных алгоритмах обучения в ансамбле.
Учебный классификационный ансамбль
Обучите простой классификационный ансамбль.
Изучения методов оценки прогнозирующего качества ансамбля.
Узнать, как установить предыдущие вероятности классов и затраты на неправильную классификацию.
Классификация с несбалансированными данными
Используйте алгоритм RUSBoost для классификации, когда один или несколько классов перепредставлены в ваших данных.
LPBoost и TotalBoost для малых ансамблей
Создайте небольшие ансамбли с помощью алгоритмов LPBoost и TotalBoost. (LPBoost и TotalBoost требуют Toolbox™ оптимизации.)
Настройка параметров RobustBoost для лучшей точности прогноза. (Для RobustBoost требуется Optimization Toolbox.)
Получите лучшие предсказания, когда у вас есть отсутствующие данные с помощью суррогатных разделений.
Обучите классификационный ансамбль параллельно
Обучите пакетированный ансамбль параллельно воспроизводимо.
Агрегация Bootstrap (Bagging) классификационных деревьев с использованием TreeBagger
Создайте TreeBagger ансамбль для классификации.
Кредитный рейтинг путем упаковки деревьев решений
В этом примере показано, как создать автоматический инструмент кредитного рейтинга.
Классификация случайных подпространств
Увеличьте точность классификации при помощи случайного ансамбля подпространства.
Предсказание меток классов с помощью блока ClassificationEnsemble Predict
Обучите модель классификационного ансамбля с оптимальными гиперпараметрами, а затем используйте блок ClassificationEnsemble Predict для предсказания меток.