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
|
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 您可以重新生成归档的预测器数据 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
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。 |
|
分类预测指标,指定为正整数的向量。 |
|
中的元素列表 |
|
描述如何 |
|
方阵, |
|
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 |
|
适合信息的数字数组。的 |
|
描述字符向量的意义 |
|
超参数的交叉验证优化描述,存储为
|
|
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, |
|
描述创建方法的字符向量 |
|
培训所用参数 |
|
包含训练数据中观察数的数值标量。 |
|
受过训练的弱学习者的数量 |
|
预测器变量名称的单元格数组,按它们出现的顺序排列 |
|
每种类别的先验概率的数字向量。元素的顺序 |
|
描述原因的字符向量 |
|
带有响应变量名称的字符向量 |
|
转换分数的函数句柄,或表示内置转换函数的字符向量。 添加或更改 ens.ScoreTransform = '函数' 或 ens.ScoreTransform = @函数 |
|
训练分类模型的细胞向量。
|
|
弱学习者训练权值的数值向量 |
|
大小逻辑矩阵 如果合奏不符合类型 |
|
按比例缩小的 |
|
训练集合的预测器值的矩阵或表。每一列的 |
|
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 |
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
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{
对于使用LogitBoost或绅士boost聚合的集合。t
} .CompactRegressionLearner)视图(实体。训练有素的{
对于所有其他聚合方法。t
})