曲调RobustBoost

这个示例使用:

的RobustBoost算法可以在训练数据存在噪声的情况下进行良好的分类预测。然而,默认RobustBoost参数可以产生一个不能很好预测的集合。这个例子展示了一种调优参数以获得更好预测精度的方法。

生成带有标签噪声的数据。这个例子有20个均匀随机数每个观察，并将观察分类为1如果前五个数字的和超过2.5(因此大于平均值)，和0否则:

rng (0,“旋风”）%的再现性Xtrain =兰德(2000年,20);Ytrain = sum(Xtrain(:，1:5)，2) > 2.5;

为了添加噪声，随机切换10%的分类:

idx = randsample(2000、200);Ytrain (idx) = ~ Ytrain (idx);

创造一个合奏AdaBoostM1比较的目的:

ada = fitcensemble (Xtrain Ytrain,“方法”，“AdaBoostM1”，.．.“NumLearningCycles”, 300,“学习者”，“树”，“LearnRate”, 0.1);

创造一个合奏RobustBoost．因为数据有10%的错误分类，也许15%的错误目标是合理的。

rb1 = fitcensemble (Xtrain Ytrain,“方法”，“RobustBoost”，.．.“NumLearningCycles”, 300,“学习者”，“树”，“RobustErrorGoal”, 0.15,.．.“RobustMaxMargin”1);

请注意，如果您将错误目标设置为足够高的值，那么软件将返回一个错误。

创建一个误差目标非常乐观的集合，0.01：

而已= fitcensemble (Xtrain Ytrain,“方法”，“RobustBoost”，.．.“NumLearningCycles”, 300,“学习者”，“树”，“RobustErrorGoal”, 0.01);

比较三种系综的替换误差:

图绘制(resubLoss (rb1“模式”，“累积”));持有在情节(resubLoss而已,“模式”，“累积”)，“r——”）;情节(resubLoss (ada,“模式”，“累积”)，“g”。）;持有从；包含(树木的数量）;ylabel (“Resubstitution错误”）;传奇(“ErrorGoal = 0.15”，“ErrorGoal = 0.01”，.．.“AdaBoostM1”，“位置”，“不”）;

图中包含一个axes对象。坐标轴对象包含3个line类型的对象。这些对象表示ErrorGoal=0.15, ErrorGoal=0.01, AdaBoostM1。

所有的RobustBoost曲线显示回代误差较AdaBoostM1曲线。的误差目标0.01曲线显示在大部分范围内的最低再替换误差。

Xtest =兰德(2000年,20);Ytest = sum(Xtest(:，1:5)，2) > 2.5;idx = randsample(2000、200);欧美(idx) = ~欧美(idx);图;情节(损失(rb1 Xtest,欧美,“模式”，“累积”));持有在情节(损失(Xtest而已,欧美,“模式”，“累积”)，“r——”）;情节(损失(ada Xtest,欧美,“模式”，“累积”)，“g”。）;持有从；包含(树木的数量）;ylabel (测试错误的）;传奇(“ErrorGoal = 0.15”，“ErrorGoal = 0.01”，.．.“AdaBoostM1”，“位置”，“不”）;

图中包含一个axes对象。坐标轴对象包含3个line类型的对象。这些对象表示ErrorGoal=0.15, ErrorGoal=0.01, AdaBoostM1。

误差目标0.15的误差曲线在所绘制的范围内最低(最好)。AdaBoostM1具有比误差目标0.15曲线更高的误差。在大部分的绘图范围内，过于乐观的误差目标0.01的曲线仍然比其他算法高(更差)。

另请参阅

fitcensemble|resubLoss|损失

曲调RobustBoost

另请参阅

相关的话题