Учебный классификационный ансамбль
В этом примере показано, как создать ансамбль классификационного дерева для ionosphere набор данных и используйте его, чтобы предсказать классификацию радиолокационного возврата со средними измерениями.
Загрузите ionosphere набор данных.
load ionosphereОбучите классификационный ансамбль. Для двоичных задач классификации, fitcensemble объединяет 100 деревьев классификации с помощью LogitBoost.
Mdl = fitcensemble(X,Y)
Mdl =
ClassificationEnsemble
ResponseName: 'Y'
CategoricalPredictors: []
ClassNames: {'b' 'g'}
ScoreTransform: 'none'
NumObservations: 351
NumTrained: 100
Method: 'LogitBoost'
LearnerNames: {'Tree'}
ReasonForTermination: 'Terminated normally after completing the requested number of training cycles.'
FitInfo: [100x1 double]
FitInfoDescription: {2x1 cell}
Properties, Methods
Mdl является ClassificationEnsemble модель.
Постройте график первого обученного классификационного дерева в ансамбле.
view(Mdl.Trained{1}.CompactRegressionLearner,'Mode','graph');
По умолчанию fitcensemble выращивает мелкие деревья для увеличения алгоритмов. Вы можете изменить глубину дерева, передав объект шаблона дерева в fitcensemble. Для получения дополнительной информации смотрите templateTree.
Предсказать качество радиолокационного возврата со средними измерениями предиктора.
label = predict(Mdl,mean(X))
label = 1x1 cell array
{'g'}