CompactClassificationTree
包:classreg.learning.classif
紧凑的分类树
描述
分类树的精简版本ClassificationTree
).精简版本不包括训练分类树的数据。因此,您不能使用紧凑的分类树执行某些任务,例如交叉验证。使用紧凑的分类树对新数据进行预测(分类)。
建设
从一个完整的决策树构造一个紧凑的决策树。ctree
=紧凑(树
)
输入参数
|
一个使用 |
属性
|
分类预测指标,指定为正整数的向量。 |
|
一个n-by-2 cell array,其中 |
|
一个n-by-2数组,其中每个节点的子节点编号 |
|
一个n——- - - - - -k中的节点的类计数数组 |
|
中的元素列表 如果属性的值至少有一个长度维度k,然后 |
|
一个n——- - - - - -k中的节点的类概率数组 |
|
方阵, |
|
一个n中分支使用的类别的-by-2 cell数组
|
|
一个n中用作切点的值的元素向量
|
|
一个n-element单元格数组,表示在每个节点上的切割类型
|
|
一个n用于在每个节点中分支的变量名称的单元格数组
|
|
一个n用于在每个节点中分支的变量的数值索引数组 |
|
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 |
|
一个n-元素逻辑向量即 |
|
一个n的每个节点中最可能的类的名称 |
|
一个n中的节点误差的-element向量 |
|
一个n中的节点概率的-元素向量 |
|
一个n树中节点风险的-元素向量,其中n是节点数。每个节点的风险是该节点通过节点概率加权的杂质(基尼指数或偏差)的度量。如果树是两倍生长的,那么每个节点的风险为零。 |
|
一个n中的节点大小的-element向量 |
|
中的节点数 |
|
一个n中每个节点的父节点编号 |
|
预测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 |
|
每个修剪级别有一个元素的数字向量。如果修剪级别在0 ~米,然后 |
|
一个n的每个节点的剪枝级别为的-元素数值向量 |
|
描述响应变量的字符向量 |
|
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 ctree。ScoreTransform = '函数”或ctree。ScoreTransform = @函数 |
|
一个n中用于代理拆分的类别的-element单元格数组 |
|
一个n用于代理分割的数值切割分配的单元格数组 |
|
一个n中用于代理分割的数值的单元格数组 |
|
一个n-element单元格数组,指示在中的每个节点上代理拆分的类型 |
|
一个n中的每个节点中用于代理拆分的变量名称的-element单元格数组 |
|
一个n中代理分裂的关联预测度量的-元素单元数组 |
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 |
nodeVariableRange |
检索决策树节点的变量范围 |
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 |
使用分类树预测标签 |
predictorImportance |
预测因子对分类树重要性的估计 |
沙普利 |
沙普利值 |
surrogateAssociation |
分类树中代理分叉关联的平均预测测度 |
更新 |
更新模型参数以生成代码 |
视图 |
视图分类树 |
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
更多关于
扩展功能
版本历史
介绍了R2011a