主要内容

CompactClassificationEnsemble

包:classreg.learning.classif

紧凑分类集成类

在页面中全部展开

描述

分类集合的精简版本ClassificationEnsemble)．精简版本不包括训练分类集合的数据。因此，您不能使用紧凑的分类集成执行某些任务，例如交叉验证。使用紧凑的分类集合对新数据进行预测(分类)。

建设

实体=紧凑(fullEns）由一个完整的决策集合构造一个紧凑的决策集合。

输入参数

fullEns

由。创建的分类集合fitcensemble．

属性

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、类别变量向量、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．

NumTrained

受过训练的弱学习者的数量实体一个标量。

PredictorNames

预测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。

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CompactClassificationEnsemble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．

对象的功能

compareHoldout 使用新数据比较两种分类模型的准确性
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
removeLearners 删除紧凑分类集合的成员
沙普利 沙普利值

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

打开生活的脚本

创建一个紧凑的分类集合，以高效地对新数据进行预测。

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，其中包含培训数据。

创建一个紧凑的版本Mdl．

CMdl =紧凑(Mdl)
CMdl = CompactClassificationEnsemble ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' numtraining: 100个属性，方法

CMdl是一个CompactClassificationEnsemble模型对象。CMdl几乎是一样的Mdl．一个例外是CMdl不存储培训数据。

比较所消耗的空间量Mdl而且CMdl．

mdlInfo =谁(“Mdl”）;cMdlInfo =谁(“CMdl”）;[mdlInfo。字节cMdlInfo.bytes]
ans =1×2878354 631686

Mdl占用更多空间CMdl．

CMdl。Trained存储经过训练的分类树(CompactClassificationTree模型对象)组成Mdl．

显示紧凑型集合中第一个树的图形。

视图(CMdl。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使用紧凑的集合。

predMeanX =预测(CMdl,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

版本历史

介绍了R2011a

全部展开

另请参阅

||||||

Baidu
map