Класс: TreeBagger
Компактный ансамбль деревьев решений
CMdl = compact(Mdl)Mdl, а TreeBagger объект модели. Вы можете предсказать регрессии, используя CMdl именно так, как вы можете использовать Mdl. Однако с CMdl не содержит обучающих данных, вы не можете выполнить некоторые действия, такие как выполнение предсказаний из сумки с помощью oobPredict.
|
Регрессионный ансамбль, созданный с |
|
Компактный регрессионный ансамбль. |
Создайте компактный пакет деревьев для эффективных предсказаний новых данных.
Загрузите ionosphere набор данных.
load ionosphereОбучите сумку из 100 деревьев классификации с помощью всех измерений и AdaBoostM1 способ.
Mdl = TreeBagger(100,X,Y,'Method','classification')
Mdl =
TreeBagger
Ensemble with 100 bagged decision trees:
Training X: [351x34]
Training Y: [351x1]
Method: classification
NumPredictors: 34
NumPredictorsToSample: 6
MinLeafSize: 1
InBagFraction: 1
SampleWithReplacement: 1
ComputeOOBPrediction: 0
ComputeOOBPredictorImportance: 0
Proximity: []
ClassNames: 'b' 'g'
Properties, Methods
Mdl является TreeBagger объект модели, который содержит обучающие данные, среди прочего.
Создайте компактную версию Mdl.
CMdl = compact(Mdl)
CMdl =
CompactTreeBagger
Ensemble with 100 bagged decision trees:
Method: classification
NumPredictors: 34
ClassNames: 'b' 'g'
Properties, Methods
CMdl является CompactTreeBagger объект модели. CMdl почти так же, как Mdl. Одним из исключений является то, что он не хранит обучающие данные.
Сравните количества занимаемого пространства Mdl и CMdl.
mdlInfo = whos('Mdl'); cMdlInfo = whos('CMdl'); [mdlInfo.bytes cMdlInfo.bytes]
ans = 1×2
1115742 976936
Mdl занимает больше пространства, чем CMdl.
CMdl.Trees хранит обученные деревья классификации (CompactClassificationTree объекты модели), которые составляют Mdl.
Отобразите график первого дерева в компактной модели.
view(CMdl.Trees{1},'Mode','graph');
По умолчанию TreeBagger выращивает глубокие деревья.
Спрогнозируйте метку среднего значения X использование компактного ансамбля.
predMeanX = predict(CMdl,mean(X))
predMeanX = 1x1 cell array
{'g'}