Ансамбли классификации

Повышение, случайный лес, укладывание в мешки, случайное подпространство и ансамбли ECOC для изучения мультикласса

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.

Приложения

Classification LearnerОбучите модели классифицировать данные с помощью машинного обучения с учителем

Блоки

ClassificationEnsemble PredictКлассифицируйте ансамбль использования наблюдений деревьев решений

Функции

развернуть все

templateDiscriminantШаблон классификатора дискриминантного анализа
templateECOCВыходной шаблон ученика кода с коррекцией ошибок
templateEnsembleАнсамбль, изучающий шаблон
templateKNNk- соседний шаблон классификатора
templateLinearЛинейный шаблон ученика классификации
templateNaiveBayesШаблон Наивного классификатора Байеса
templateSVMШаблон машины опорных векторов
templateTreeСоздайте шаблон дерева решений

Создайте ансамбль классификации

fitcensembleПодходящий ансамбль учеников для классификации
compactКомпактный ансамбль классификации

Измените ансамбль классификации

resumeВозобновите учебный ансамбль
removeLearnersУдалите члены компактного ансамбля классификации

Интерпретируйте ансамбль классификации

limeЛокальные поддающиеся толкованию объяснения модели агностические (LIME)
partialDependenceВычислите частичную зависимость
plotPartialDependenceСоздайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP)
predictorImportanceОценки важности предиктора для ансамбля классификации деревьев решений
shapleyШепли оценивает

Перекрестный подтвердите ансамбль классификации

crossvalПерекрестный подтвердите ансамбль
kfoldEdgeРебро классификации для перекрестной подтвержденной модели классификации
kfoldLossПотеря классификации для перекрестной подтвержденной модели классификации
kfoldMarginПоля классификации для перекрестной подтвержденной модели классификации
kfoldPredictКлассифицируйте наблюдения на перекрестную подтвержденную модель классификации
kfoldfunПерекрестный подтвердите функцию для классификации

Измерьте уровень

lossОшибка классификации
resubLossОшибка классификации перезаменой
compareHoldoutСравните точность двух моделей классификации с помощью новых данных
edgeРебро классификации
marginПоля классификации
resubEdgeРебро классификации перезаменой
resubMarginПоля классификации перезаменой
testckfoldСравните точность двух моделей классификации повторной перекрестной проверкой

Классифицируйте наблюдения

predictКлассифицируйте ансамбль использования наблюдений моделей классификации
resubPredictКлассифицируйте наблюдения на ансамбль моделей классификации
oobPredictПредскажите ответ из сумки ансамбля

Соберите свойства ансамбля классификации

gatherСоберите свойства объекта Statistics and Machine Learning Toolbox от графического процессора
TreeBaggerСоздайте мешок деревьев решений
fitcensembleПодходящий ансамбль учеников для классификации
predictПредскажите ансамбль использования ответов сложенных в мешок деревьев решений
oobPredictПредсказания ансамбля для наблюдений из сумки

Создайте ECOC

fitcecocПодбирайте модели мультикласса для машин опорных векторов или других классификаторов
compactУменьшайте размер модели выходных кодов с коррекцией ошибок (ECOC) мультикласса

Измените ECOC

discardSupportVectorsОтбросьте векторы поддержки из линейных бинарных учеников SVM в модели ECOC

Интерпретируйте ECOC

limeЛокальные поддающиеся толкованию объяснения модели агностические (LIME)
partialDependenceВычислите частичную зависимость
plotPartialDependenceСоздайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP)
shapleyШепли оценивает

Перекрестный подтвердите ECOC

crossvalПерекрестный подтвердите модель выходных кодов с коррекцией ошибок (ECOC) мультикласса
kfoldEdgeРебро классификации для перекрестной подтвержденной модели ECOC
kfoldLossПотеря классификации для перекрестной подтвержденной модели ECOC
kfoldMarginПоля классификации для перекрестной подтвержденной модели ECOC
kfoldPredictКлассифицируйте наблюдения на перекрестную подтвержденную модель ECOC
kfoldfunПерекрестный подтвердите функцию с помощью перекрестной подтвержденной модели ECOC

Измерьте уровень

lossПотеря классификации для модели выходных кодов с коррекцией ошибок (ECOC) мультикласса
resubLossПотеря классификации перезамены для модели выходных кодов с коррекцией ошибок (ECOC) мультикласса
compareHoldoutСравните точность двух моделей классификации с помощью новых данных
edgeРебро классификации для модели выходных кодов с коррекцией ошибок (ECOC) мультикласса
marginПоля классификации для модели выходных кодов с коррекцией ошибок (ECOC) мультикласса
resubEdgeРебро классификации перезамены для модели выходных кодов с коррекцией ошибок (ECOC) мультикласса
resubMarginПоля классификации перезамены для модели выходных кодов с коррекцией ошибок (ECOC) мультикласса
testckfoldСравните точность двух моделей классификации повторной перекрестной проверкой

Классифицируйте наблюдения

predictКлассифицируйте наблюдения с помощью модели выходных кодов с коррекцией ошибок (ECOC) мультикласса
resubPredictКлассифицируйте наблюдения на модель выходных кодов с коррекцией ошибок (ECOC) мультикласса

Соберите свойства ECOC

gatherСоберите свойства объекта Statistics and Machine Learning Toolbox от графического процессора

Классы

развернуть все

ClassificationEnsembleКлассификатор ансамбля
CompactClassificationEnsembleКомпактный класс ансамбля классификации
ClassificationPartitionedEnsembleПерекрестный подтвержденный ансамбль классификации
TreeBaggerМешок деревьев решений
CompactTreeBaggerКомпактный ансамбль деревьев решений выращен агрегацией начальной загрузки
ClassificationBaggedEnsembleАнсамбль классификации, выращенный путем передискретизации
ClassificationECOCМодель Multiclass для машин опорных векторов (SVMs) и других классификаторов
CompactClassificationECOCКомпактная модель мультикласса для машин опорных векторов (SVMs) и других классификаторов
ClassificationPartitionedECOCПерекрестный подтвержденный мультикласс модель ECOC для машин опорных векторов (SVMs) и других классификаторов

Темы

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.

Алгоритмы ансамбля

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 RobustBoost

Настройте параметры RobustBoost для лучшей прогнозирующей точности. (RobustBoost требует Optimization Toolbox.)

Суррогатные разделения

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.

Для просмотра документации необходимо авторизоваться на сайте