ClassificationBaggedEnsemble

Пакет: classreg.learning.classif
Суперклассы: ClassificationEnsemble

Классификационный ансамбль, выращенный путем повторной дискретизации

Описание

ClassificationBaggedEnsemble объединяет набор подготовленных моделей слабых учащихся и данных, на которых эти учащиеся были обучены. Он может предсказать ответ ансамбля для новых данных, агрегируя предсказания от своих слабых учащихся.

Конструкция

Создайте упакованный в мешок объект ансамбля классификации с помощью fitcensemble. Установите аргумент пары "имя-значение" 'Method' из fitcensemble на 'Bag' использовать агрегацию bootstrap (пакетирование, например, случайный лес).

Свойства

`BinEdges`	Границы интервала для числовых предикторов, заданные как массив ячеек из p числовых векторов, где p - количество предикторов. Каждый вектор включает границы интервала для числового предиктора. Элемент в массиве ячеек для категориального предиктора пуст, потому что программное обеспечение не встраивает категориальные предикторы. Программное обеспечение помещает числовые предикторы только, если вы задаете `'NumBins'` аргумент имя-значение как положительный целочисленный скаляр при обучении модели с учениками дерева. The `BinEdges` свойство пустое, если `'NumBins'` значение пустое (по умолчанию). Можно воспроизвести привязанные данные предиктора `Xbinned` при помощи `BinEdges` свойство обученной модели `mdl`. 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 `discretize` function. xbinned = discretize(x,[-inf; edges{j}; inf]); Xbinned(:,j) = xbinned; end `Xbinned` содержит индексы интервала в диапазоне от 1 до количества интервалов для числовых предикторов. `Xbinned` значения 0 для категориальных предикторов. Если `X` содержит `NaN`s, затем соответствующее `Xbinned` значения `NaN`с.
`CategoricalPredictors`	Категориальные индексы предиктора, заданные как вектор положительных целых чисел. `CategoricalPredictors` содержит значения индекса, соответствующие столбцам данных предиктора, которые содержат категориальные предикторы. Если ни один из предикторов не является категориальным, то это свойство пустое (`[]`).
`ClassNames`	Список элементов в `Y` с удаленными дубликатами. `ClassNames` может быть числовым вектором, категориальным вектором, логическим вектором, символьным массивом или массивом ячеек из векторов символов. `ClassNames` имеет тот совпадающий тип данных, что и данные в аргументе `Y`. (Программа обрабатывает массивы строк как массивы ячеек векторов символов.)
`CombineWeights`	Вектор символов, описывающий как `ens` сочетает в себе слабые веса учащихся `'WeightedSum'` или `'WeightedAverage'`.
`ExpandedPredictorNames`	Расширенные имена предикторов, сохраненные как массив ячеек из векторов символов. Если модель использует кодировку для категориальных переменных, то `ExpandedPredictorNames` включает имена, которые описывают расширенные переменные. В противном случае `ExpandedPredictorNames` то же, что и `PredictorNames`.
`FitInfo`	Числовой массив информации о подгонке. The `FitInfoDescription` свойство описывает содержимое этого массива.
`FitInfoDescription`	Вектор символов, описывающий смысл `FitInfo` массив.
`FResample`	Числовой скаляр между `0` и `1`. `FResample` - доля обучающих данных `fitcensemble` переизбирается наугад для каждого слабого ученика при построении ансамбля.
`HyperparameterOptimizationResults`	Описание оптимизации гиперпараметров перекрестной валидации, сохраненное как `BayesianOptimization` объект или таблица гиперпараметров и связанных значений. Непусто, когда `OptimizeHyperparameters` Пара "имя-значение" не пуста при создании. Значение зависит от настройки `HyperparameterOptimizationOptions` Пара "имя-значение" при создании: `'bayesopt'` (по умолчанию) - Объект класса `BayesianOptimization` `'gridsearch'` или `'randomsearch'` - Таблица используемых гиперпараметров, наблюдаемых значений целевой функции (потери перекрестной валидации) и ранг наблюдений от самого низкого (лучшего) до самого высокого (худшего)
`Method`	Вектор символов, описывающий метод, который создает `ens`.
`ModelParameters`	Параметры, используемые в обучающих `ens`.
`NumTrained`	Число подготовленных слабых учащихся в `ens`, скаляр.
`PredictorNames`	Массив ячеек из имен для переменных предиктора в том порядке, в котором они появляются `X`.
`ReasonForTermination`	Вектор символов, описывающий причину `fitcensemble` перестал добавлять в ансамбль слабых учеников.
`Replace`	Логическое значение, указывающее, был ли ансамбль обучен с заменой (`true`) или без замены (`false`).
`ResponseName`	Вектор символов с именем переменной отклика `Y`.
`ScoreTransform`	Указатель на функцию для преобразования счетов или вектор символов, представляющий встроенную функцию преобразования. `'none'` означает отсутствие преобразования; эквивалентно `'none'` означает `@(x)x`. Список встроенных функций преобразования и синтаксис пользовательских функций преобразования см. в `fitctree`. Добавление или изменение `ScoreTransform` функция, использующая запись через точку: ens.ScoreTransform = 'function' или ens.ScoreTransform = @function
`Trained`	Обученные учащиеся, массив ячеек из компактных классификационных моделей.
`TrainedWeights`	Численный вектор обученных весов для слабых учащихся в `ens`. `TrainedWeights` имеет `T` элементы, где `T` количество слабых учащихся в `learners`.
`UseObsForLearner`	Логическая матрица размера `N`-by- `NumTrained`, где `N` количество наблюдений в обучающих данных и `NumTrained` количество подготовленных слабых учащихся. `UseObsForLearner(I,J)` является `true` если наблюдение `I` использовался для обучения учащихся `J`, и есть `false` в противном случае.
`W`	Масштабированные `weights`, вектор с длиной `n`, количество строк в `X`. Сумма элементов `W` является `1`.
`X`	Матрица или таблица предикторов значений, которая обучала ансамбль. Каждый столбец `X` представляет одну переменную, и каждая строка представляет одно наблюдение.
`Y`	Категориальный массив, массив ячеек из символьных векторов, символьный массив, логический вектор или числовой вектор с одинаковым числом строк как `X`. Каждая строка `Y` представляет классификацию соответствующей строки `X`.

Функции объекта

`compact`	Компактный классификационный ансамбль
`compareHoldout`	Сравните точности двух классификационных моделей с помощью новых данных
`crossval`	Cross validate ансамбль
`edge`	Классификационное ребро
`lime`	Локальные интерпретируемые модели-агностические объяснения (LIME)
`loss`	Ошибка классификации
`margin`	Классификационные поля
`oobEdge`	Классификация вне мешка ребра
`oobLoss`	Ошибка классификации вне мешка
`oobMargin`	Классификационные поля вне мешка
`oobPermutedPredictorImportance`	Оценки важности предиктора путем сочетания наблюдений предиктора вне мешка для случайного леса деревьев классификации
`oobPredict`	Предсказание отклика ансамбля вне мешка
`partialDependence`	Вычисление частичной зависимости
`plotPartialDependence`	Создайте график частичной зависимости (PDP) и отдельные графики условного ожидания (ICE)
`predict`	Классифицируйте наблюдения с помощью ансамбля классификационных моделей
`predictorImportance`	Оценки предикторной важности для классификационного ансамбля деревьев решений
`removeLearners`	Удаление представителей компактного классификационного ансамбля
`resubEdge`	Классификационное ребро путем реподституции
`resubLoss`	Ошибка классификации путем реподституции
`resubMargin`	Классификационные погрешности путем реподституции
`resubPredict`	Классификация наблюдений в ансамбле классификационных моделей
`resume`	Возобновить обучение ансамбля
`shapley`	Значения Shapley
`testckfold`	Сравните точности двух классификационных моделей путем повторной перекрестной валидации

Копировать семантику

Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел «Копирование объектов».

Примеры

свернуть все

Обучите мешанный ансамбль классификационных деревьев

Открыть Live Script

Загрузите ionosphere набор данных.

load ionosphere

Вы можете обучить упакованный ансамбль из 100 классификационных деревьев с помощью всех измерений.

Mdl = fitcensemble(X,Y,'Method','Bag')

fitcensemble использует древовидный объект шаблона по умолчанию templateTree() как слабый ученик, когда 'Method' является 'Bag'. В этом примере для воспроизводимости задайте 'Reproducible',true когда вы создаете объект шаблона дерева, а затем используете объект как 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 - свойство, которое хранит вектор камеры 100 на 1 обученных деревьев классификации (CompactClassificationTree моделировать объекты), которые составляют ансамбль.

Постройте график первого обученного классификационного дерева.

view(Mdl.Trained{1},'Mode','graph')

Figure Classification tree viewer contains an axes and other objects of type uimenu, uicontrol. The axes contains 60 objects of type line, text.

По умолчанию fitcensemble выращивает глубокие деревья принятия решений для мешанных ансамблей.

Оцените коэффициент неправильной классификации в выборке.

L = resubLoss(Mdl)

L = 0

L равен 0, что указывает на то, что Mdl идеально подходит для классификации обучающих данных.

Совет

Для упакованного ансамбля классификационных деревьев, Trained свойство ens сохраняет вектор камеры ens.NumTrained CompactClassificationTree объекты модели. Для текстового или графического отображения древовидных t в векторе камеры введите

view(ens.Trained{t})

Расширенные возможности

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

Указания и ограничения по применению:

The predict функция поддерживает генерацию кода.
Чтобы интегрировать предсказание ансамбля в Simulink^®можно использовать блок ClassificationEnsemble Predict в библиотеке Statistics and Machine Learning Toolbox™ или MATLAB^® Функциональный блок с predict функция.
Когда вы обучаете ансамбль при помощи fitcensembleограничения генерации кода для слабых учащихся, используемых в ансамбле, также применяются к ансамблю. Для получения дополнительной информации смотрите Генерацию кода разделы CompactClassificationDiscriminant и CompactClassificationTree.
Для генерации кода с фиксированной точкой необходимо обучить ансамбль с помощью учеников дерева.

Для получения дополнительной информации смотрите Введение в генерацию кода.

См. также

ClassificationEnsemble | compareHoldout | fitcensemble | fitctree | view

Документация

ClassificationBaggedEnsemble

Описание

Конструкция

Свойства

Функции объекта

Копировать семантику

Примеры

Обучите мешанный ансамбль классификационных деревьев

Совет

Расширенные возможности

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка

Документация

ClassificationBaggedEnsemble

Описание

Конструкция

Свойства

Функции объекта

Копировать семантику

Примеры

Обучите мешанный ансамбль классификационных деревьев

Совет

Расширенные возможности

Генерация кода C/C + + Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®

См. также

Темы

Statistics and Machine Learning Toolbox документация

Поддержка

Генерация кода C/C + +
Сгенерируйте код C и C++ с помощью Coder™ MATLAB ®