ClassificationEnsemble

包:classreg.learning.classif
超类:CompactClassificationEnsemble

集成分类器

描述

ClassificationEnsemble结合一组训练过的弱学习者模型和这些学习者训练过的数据。它可以通过聚合弱学习者的预测来预测新数据的集合响应。它存储用于训练的数据，可以计算替代预测，并在需要时恢复训练。

建设

创建分类集成对象(实体)使用fitcensemble．

属性

`BinEdges`	数值预测器的Bin边，指定为的单元格数组p数值向量,p是预测器的数量。每个向量都包含数值预测器的bin边。类别预测器的单元格数组中的元素为空，因为软件不收纳类别预测器。的情况下，软件才会收纳数字预测器`“NumBins”`在用树学习器训练模型时，将名称-值参数作为正整数标量。的`BinEdges`属性为空`“NumBins”`值为空(默认)。您可以重新生成归档的预测器数据`Xbinned`通过使用`BinEdges`被训练模型的属性`mdl`． X = mdl.X;%预测数据Xbinned = 0 (size(X));边缘= mdl.BinEdges;查找已装箱预测器的索引。idxNumeric =找到(~ cellfun (@isempty边缘));if iscolumn(idxNumeric) idxNumeric = idxNumeric';end for j = idxNumeric x = x (:，j);如果x是表，则将x转换为数组。If istable(x) x = table2array(x);方法将x分组到箱子中`离散化`函数。xbinned =离散化(x,[无穷;边缘{};正]);Xbinned (:, j) = Xbinned;结束 `Xbinned`包含数值预测器的bin索引，范围从1到bin的数量。`Xbinned`类别预测器的值为0。如果`X`包含`南`S，那么对应的`Xbinned`值是`南`年代。
`CategoricalPredictors`	分类预测指标，指定为正整数的向量。`CategoricalPredictors`包含指示相应的预测器是分类的索引值。索引值在1和之间`p`,在那里`p`用于训练模型的预测器的数量。如果没有一个预测器是绝对的，则此属性为空(`［］`）.
`一会`	中的元素列表`Y`删除重复的。`一会`可以是数字向量、类别向量、逻辑向量、字符数组或字符向量的单元格数组。`一会`是否与实参中的数据类型相同`Y`．(该软件将字符串数组视为字符向量的单元格数组。)
`CombineWeights`	描述如何`实体`也可以合并较弱的学习者权重`“WeightedSum”`或`“WeightedAverage”`．
`成本`	方阵,`成本(i, j)`将一个点分类到类的成本是多少`j`如果它真正的阶级是`我`(行对应真正的类，列对应预测的类)。的行和列的顺序`成本`中的类的顺序`一会`．中的行数和列数`成本`是响应中惟一类的数量。此属性是只读的。
`ExpandedPredictorNames`	扩展的预测器名称，存储为字符向量的单元格数组。如果模型对分类变量使用编码，则`ExpandedPredictorNames`包括描述展开变量的名称。否则,`ExpandedPredictorNames`和`PredictorNames`．
`FitInfo`	适合信息的数字数组。的`FitInfoDescription`属性描述此数组的内容。
`FitInfoDescription`	描述字符向量的意义`FitInfo`数组中。
`HyperparameterOptimizationResults`	超参数的交叉验证优化描述，存储为`BayesianOptimization`对象或超参数和关联值的表。非空的时`OptimizeHyperparameters`名称-值对在创建时非空。值取决于的设置`HyperparameterOptimizationOptions`创建时的名值对: `“bayesopt”`(默认)-类的对象`BayesianOptimization` `“gridsearch”`或`“randomsearch”`-使用的超参数表，观测到的目标函数值(交叉验证损失)，以及从最低(最好)到最高(最差)的观测值排名
`LearnerNames`	集合中具有弱学习者名称的字符向量的单元格数组。每个学习者的名字只出现一次。例如，如果你有100棵树的集合，`LearnerNames`是`{'树'}`．
`方法`	描述创建方法的字符向量`实体`．
`ModelParameters`	培训所用参数`实体`．
`NumObservations`	包含训练数据中观察数的数值标量。
`NumTrained`	受过训练的弱学习者的数量`实体`一个标量。
`PredictorNames`	预测器变量名称的单元格数组，按它们出现的顺序排列`X`．
`之前`	每种类别的先验概率的数字向量。元素的顺序`之前`中的类的顺序`一会`．元素的个数`之前`是响应中惟一类的数量。此属性是只读的。
`ReasonForTermination`	描述原因的字符向量`fitcensemble`不再把学习能力差的学生加到集体中。
`ResponseName`	带有响应变量名称的字符向量`Y`．
`ScoreTransform`	转换分数的函数句柄，或表示内置转换函数的字符向量。`“没有”`意味着没有转换;同样,`“没有”`意味着`@ x (x)`．有关内置转换函数的列表和自定义转换函数的语法，请参见`fitctree`．添加或更改`ScoreTransform`函数使用点表示法: ens.ScoreTransform = '函数＇或 ens.ScoreTransform = @函数
`训练有素的`	训练分类模型的细胞向量。如果`方法`是`“LogitBoost”`或`“GentleBoost”`,然后`ClassificationEnsemble`商店训练学习者`j`在`CompactRegressionLearner`中存储的对象的属性`训练有素的{j｝`．也就是说，接触训练有素的学习者`j`,使用`ens.Trained {j}。CompactRegressionLearner`．否则，单元向量的单元包含相应的紧凑分类模型。
`TrainedWeights`	弱学习者训练权值的数值向量`实体`．`TrainedWeights`有`T`元素,`T`学习能力差的人数在吗`学习者`．
`UsePredForLearner`	大小逻辑矩阵`P`——- - - - - -`NumTrained`,在那里`P`训练数据中的预测器(列)的数量是多少`X`．`UsePredForLearner (i, j)`是`真正的`当学习者`j`使用预测`我`,是`假`否则。对于每个学习者，预测器的顺序与训练数据中的列相同`X`．如果合奏不符合类型`子空间`，所有的条目`UsePredForLearner`是`真正的`．
`W`	按比例缩小的`权重`，一个有长度的向量`n`的行数`X`．元素的总和`W`是`1`．
`X`	训练集合的预测器值的矩阵或表。每一列的`X`表示一个变量，每一行表示一个观察结果。
`Y`	数字向量、类别向量、逻辑向量、字符数组或字符向量的单元格数组。每一行的`Y`的对应行的分类`X`．

对象的功能

`紧凑的`	紧凑的系综分类
`compareHoldout`	使用新数据比较两种分类模型的准确性
`crossval`	旨在合奏
`边缘`	分类的优势
`收集`	收集的属性统计和机器学习工具箱对象从GPU
`石灰`	局部可解释模型不可知解释(LIME)
`损失`	分类错误
`保证金`	分类的利润率
`partialDependence`	计算部分依赖
`plotPartialDependence`	创建偏依赖图(PDP)和个体条件期望图(ICE)
`预测`	使用分类模型的集合对观测数据进行分类
`predictorImportance`	决策树分类集合中预测因子重要性的估计
`resubEdge`	用复代法分类边缘
`resubLoss`	由替换引起的分类错误
`resubMargin`	用复代法分类边界
`resubPredict`	在分类模型的集合中对观测数据进行分类
`重新开始`	恢复训练合奏
`沙普利`	沙普利值
`testckfold`	通过重复交叉验证比较两种分类模型的准确性

复制语义

价值。要了解值类如何影响复制操作，请参见复制对象．

例子

全部折叠

列车增强分类系统

打开生活的脚本

加载电离层数据集。

负载电离层

训练一个增强的集合100分类树使用所有的测量和AdaBoostM1方法。

Mdl = fitcensemble (X, Y,“方法”，“AdaBoostM1”）

Mdl = ClassificationEnsemble ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' NumObservations: 351 numtraining: 100 Method: 'AdaBoostM1' LearnerNames: {'Tree'} reasonforterminated: '完成所请求的训练周期数后正常终止。'FitInfo: [100x1 double] FitInfoDescription: {2x1 cell}属性，方法

Mdl是一个ClassificationEnsemble模型对象。

Mdl。Trained存储经过训练的分类树的100 × 1单元格向量的属性(CompactClassificationTree模型对象)组成集成。

绘制第一个训练的分类树的图。

视图(Mdl。训练有素的{1｝，“模式”，“图”）

默认情况下,fitcensemble种植浅树为增强的树木组合。

预测均值的标签X．

predMeanX =预测(Mdl,意味着(X))

predMeanX =1 x1单元阵列{' g '}

提示

对于分类树的集合，训练有素的的属性实体存储一个ens.NumTrained-by-1的紧凑分类模型单元向量。用于树的文本或图形显示t在单元格向量中，输入:

视图(实体。训练有素的{t} .CompactRegressionLearner)对于使用LogitBoost或绅士boost聚合的集合。
视图(实体。训练有素的{t})对于所有其他聚合方法。

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项和限制:

的预测函数支持代码生成。
将集合的预测集成到Simulink中^®，你可以使用ClassificationEnsemble预测在统计和机器学习工具箱™库或MATLAB中^®函数块中包含预测函数。
当你用fitcensemble，对于集成中使用的弱学习者的代码生成限制也适用于集成。有关更多详细信息，请参见的代码生成部分ClassificationKNN，CompactClassificationDiscriminant,CompactClassificationTree．
对于定点代码生成，必须使用树学习器来训练集成。

有关更多信息，请参见代码生成简介．

GPU数组
通过使用并行计算工具箱™在图形处理单元(GPU)上运行来加速代码。

使用注意事项和限制:

以下对象函数完全支持GPU阵列:
以下对象函数为GPU阵列提供了有限的支持:
如果适用以下任何一种情况，对象函数将在GPU上执行:
- 模型采用GPU阵列进行拟合。
- 传递给对象函数的预测器数据是一个GPU数组。

有关更多信息，请参见在图形处理器上运行MATLAB函数(并行计算工具箱)．

版本历史

介绍了R2011a

全部展开

R2022a:`成本`属性存储用户指定的成本矩阵

从R2022a开始成本属性存储用户指定的代价矩阵，以便使用指定的代价值计算观察到的错误分类代价。该软件存储规范化先验概率(之前)和观察权重(W)，并没有反映成本矩阵中所述的罚款。要计算观察到的错误分类代价，指定LossFun名称-值参数为“classifcost”当你打电话给损失或resubLoss函数。

注意，模型训练没有改变，因此，类之间的决策边界没有改变。

在训练中，拟合函数通过加入指定代价矩阵中描述的惩罚来更新指定的先验概率，然后将先验概率和观察权重归一化。这种行为没有改变。在以前的版本中，软件将默认成本矩阵存储在成本属性，并将用于训练的先验概率和观察权值存储在之前而且W属性,分别。从R2022a开始，该软件不加修改地存储用户指定的成本矩阵，并存储不反映成本惩罚的归一化先验概率和观测权重。有关更多细节，请参见错误分类成本矩阵，先验概率和观察权重．

一些对象函数使用成本，之前,W属性:

的损失而且resubLoss函数使用存储在成本属性，则指定LossFun名称-值参数为“classifcost”或“mincost”．
的损失而且边缘函数使用存储在之前属性规范化输入数据的观察权重。
的resubLoss而且resubEdge函数使用存储在W财产。

如果在训练分类模型时指定非默认代价矩阵，对象函数将返回与以前版本不同的值。

如果您希望软件像以前版本中那样处理成本矩阵、先验概率和观测权重，请调整非默认成本矩阵的先验概率和观测权重，如中所述调整错误分类代价矩阵的先验概率和观测权重．然后，在训练分类模型时，指定调整后的先验概率和观察权重之前而且权重名称-值参数，并使用默认开销矩阵。

另请参阅

ClassificationTree|fitcensemble|CompactClassificationEnsemble|视图|compareHoldout