Пакет: classreg.learning.classif
Суперклассы: ClassificationEnsemble
Классификационный ансамбль, выращенный путем повторной дискретизации
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.
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).
|
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 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 интервала в диапазоне от 1 до количества интервалов для числовых предикторов. Xbinned значения 0 для категориальных предикторов. Если X содержит NaNs, затем соответствующее Xbinned значения NaNс.
|
|
Категориальные индексы предиктора, заданные как вектор положительных целых чисел. |
|
Список элементов в |
|
Вектор символов, описывающий как |
|
Расширенные имена предикторов, сохраненные как массив ячеек из векторов символов. Если модель использует кодировку для категориальных переменных, то |
|
Числовой массив информации о подгонке. The |
|
Вектор символов, описывающий смысл |
|
Числовой скаляр между |
|
Описание оптимизации гиперпараметров перекрестной валидации, сохраненное как
|
|
Вектор символов, описывающий метод, который создает |
|
Параметры, используемые в обучающих |
|
Число подготовленных слабых учащихся в |
|
Массив ячеек из имен для переменных предиктора в том порядке, в котором они появляются |
|
Вектор символов, описывающий причину |
|
Логическое значение, указывающее, был ли ансамбль обучен с заменой ( |
|
Вектор символов с именем переменной отклика |
|
Указатель на функцию для преобразования счетов или вектор символов, представляющий встроенную функцию преобразования. Добавление или изменение ens.ScoreTransform = 'function' или ens.ScoreTransform = @function |
|
Обученные учащиеся, массив ячеек из компактных классификационных моделей. |
|
Численный вектор обученных весов для слабых учащихся в |
|
Логическая матрица размера |
|
Масштабированные |
|
Матрица или таблица предикторов значений, которая обучала ансамбль. Каждый столбец |
|
Категориальный массив, массив ячеек из символьных векторов, символьный массив, логический вектор или числовой вектор с одинаковым числом строк как |
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 |
Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел «Копирование объектов».
Загрузите ionosphere набор данных.
load ionosphereВы 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')
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.
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})ClassificationEnsemble | compareHoldout | fitcensemble | fitctree | view