Ансамбль классификации является прогнозной моделью, состоявшей из взвешенной комбинации нескольких моделей классификации. В общем случае объединение нескольких моделей классификации увеличивает прогнозирующую эффективность.
Чтобы исследовать ансамбли классификации в интерактивном режиме, используйте приложение Classification Learner. Для большей гибкости используйте fitcensemble в интерфейсе командной строки, чтобы повысить или сложить деревья классификации в мешок или вырастить случайный лес [12]. Для получения дополнительной информации на всех поддерживаемых ансамблях, см. Алгоритмы Ансамбля. Чтобы уменьшать проблему мультикласса в ансамбль бинарных проблем классификации, обучите модель выходных кодов с коррекцией ошибок (ECOC). Для получения дополнительной информации смотрите fitcecoc.
Чтобы повысить деревья регрессии с помощью LSBoost или вырастить случайный лес деревьев регрессии [12], смотрите Ансамбли Регрессии.
| Classification Learner | Обучите модели классифицировать данные с помощью машинного обучения с учителем |
| ClassificationEnsemble Predict | Классифицируйте ансамбль использования наблюдений деревьев решений |
Обучите классификаторы ансамбля Используя приложение Classification Learner
Создайте и сравните классификаторы ансамбля и экспортируйте обученные модели, чтобы сделать предсказания для новых данных.
Среда для приобретения знаний ансамблем
Получите очень точные предсказания при помощи многих слабых учеников.
Узнайте о различных алгоритмах для приобретения знаний ансамблем.
Обучите ансамбль классификации
Обучите простой ансамбль классификации.
Протестируйте качество ансамбля
Изучите методы, чтобы оценить прогнозирующее качество ансамбля.
Обработайте неустойчивые данные или неравные затраты Misclassification в ансамблях классификации
Узнать, как установить предшествующие вероятности класса и затраты misclassification.
Классификация с неустойчивыми данными
Используйте алгоритм RUSBoost для классификации, когда один или несколько классов будут превалировать в ваших данных.
LPBoost и TotalBoost для малочисленных ансамблей
Создайте малочисленные ансамбли при помощи алгоритмов TotalBoost и LPBoost. (LPBoost и TotalBoost требуют Optimization Toolbox™.)
Настройте параметры RobustBoost для лучшей прогнозирующей точности. (RobustBoost требует Optimization Toolbox.)
Получите лучшие предсказания, когда у вас будут недостающие данные при помощи суррогатных разделений.
Обучите ансамбль классификации параллельно
Обучите уволенный ансамбль параллельно восстанавливаемо.
Загрузите агрегацию (укладывание в мешки) деревьев классификации Используя TreeBagger
Создайте TreeBagger ансамбль для классификации.
Кредитный рейтинг путем укладывания в мешки деревьев решений
В этом примере показано, как создать автоматизированный инструмент кредитного рейтинга.
Случайная классификация подпространств
Увеличьте точность классификации при помощи случайного ансамбля подпространства.
Предскажите, что метки класса Используя ClassificationEnsemble предсказывают блок
Обучите модель ансамбля классификации оптимальными гиперпараметрами, и затем используйте блок ClassificationEnsemble Predict для предсказания метки.
