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 ionosphere
Обучите 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'}