分类集合体
增加,随机森林,装袋,随机子空间,并为多级学习ECOC集合体
应用程序
分类学习者 | 火车模型使用监督机器学习分类数据 |
块
ClassificationEnsemble预测 | 使用的决策树分类的观察 |
功能
创建学习者模板
templateDiscriminant |
判别分析分类模板 |
templateECOC |
纠错输出编码学习者模板 |
templateEnsemble |
整体学习模板 |
templateKNN |
k最近的邻居分类模板 |
templateLinear |
线性分类学习者模板 |
templateNaiveBayes |
朴素贝叶斯分类器的模板 |
templateSVM |
万博1manbetx支持向量机模板 |
templateTree |
创建决策树模板 |
系综分类
创建分类合奏
fitcensemble |
适合学习者的整体分类 |
紧凑的 |
紧凑的系综分类 |
修改分类合奏
的简历 |
恢复训练合奏 |
removeLearners |
删除成员紧凑的分类 |
解释分类合奏
石灰 |
本地可model-agnostic解释(石灰) |
partialDependence |
计算部分依赖 |
plotPartialDependence |
创建部分依赖图(PDP)和个人条件期望(ICE)情节 |
predictorImportance |
估计预测决策树分类合奏的重要性 |
沙普利 |
沙普利值 |
旨在分类合奏
crossval |
旨在合奏 |
kfoldEdge |
分类旨在分类模型的边缘 |
kfoldLoss |
分类损失旨在分类模型 |
kfoldMargin |
分类利润率旨在分类模型 |
kfoldPredict |
观察在旨在分类模型进行分类 |
kfoldfun |
旨在功能分类 |
测量性能
损失 |
分类错误 |
resubLoss |
由resubstitution分类错误 |
compareHoldout |
比较两种分类模型使用新数据的精度 |
边缘 |
分类的优势 |
保证金 |
分类的利润率 |
resubEdge |
分类边缘resubstitution |
resubMargin |
分类利润resubstitution |
testckfold |
比较两种分类模型的精度重复交叉验证 |
分类的观察
预测 |
观察使用的分类模型进行分类 |
resubPredict |
观测的系综分类模型进行分类 |
oobPredict |
预测out-of-bag合奏的反应 |
收集的属性分类
收集 |
收集的属性统计和机器学习工具对象从GPU |
袋装分类树
fitcensemble |
适合学习者的整体分类 |
TreeBagger |
袋装决策树的合奏 |
预测 |
使用的袋装决策树预测反应 |
oobPredict |
整体预测out-of-bag观察 |
多级ECOC
创建ECOC
修改ECOC
discard万博1manbetxSupportVectors |
丢弃的支持向量的万博1manbetx线性支持向量机二进制学习者ECOC模型 |
解释ECOC
石灰 |
本地可model-agnostic解释(石灰) |
partialDependence |
计算部分依赖 |
plotPartialDependence |
创建部分依赖图(PDP)和个人条件期望(ICE)情节 |
沙普利 |
沙普利值 |
旨在ECOC
crossval |
旨在多级纠错输出编码(ECOC)模型 |
kfoldEdge |
分类边缘旨在ECOC模型 |
kfoldLoss |
分类损失旨在ECOC模型 |
kfoldMargin |
分类利润率旨在ECOC模型 |
kfoldPredict |
分类观察旨在ECOC模型 |
kfoldfun |
旨在函数使用旨在ECOC模型 |
测量性能
损失 |
分类损失多级纠错输出编码(ECOC)模型 |
resubLoss |
Resubstitution分类损失多级纠错输出编码(ECOC)模型 |
compareHoldout |
比较两种分类模型使用新数据的精度 |
边缘 |
对多级分类边缘纠错输出编码(ECOC)模型 |
保证金 |
分类利润率多级纠错输出编码(ECOC)模型 |
resubEdge |
Resubstitution分类边缘多级纠错输出编码(ECOC)模型 |
resubMargin |
Resubstitution分类利润率多级纠错输出编码(ECOC)模型 |
testckfold |
比较两种分类模型的精度重复交叉验证 |
分类的观察
预测 |
使用多级分类观察纠错输出编码(ECOC)模型 |
resubPredict |
在多级分类观察纠错输出编码(ECOC)模型 |
收集ECOC的属性
收集 |
收集的属性统计和机器学习工具对象从GPU |
类
系综分类
ClassificationEnsemble |
集成分类器 |
CompactClassificationEnsemble |
紧凑的分类集合类 |
ClassificationPartitionedEnsemble |
旨在分类合奏 |
袋装分类树
TreeBagger |
袋装决策树的合奏 |
CompactTreeBagger |
紧凑的袋装决策树 |
ClassificationBaggedEnsemble |
分类总体增长了重采样 |
多级ECOC
ClassificationECOC |
多类支持向量机(svm)模型和其他分类器万博1manbetx |
CompactClassificationECOC |
紧凑的多类支持向量机模型(svm)和其他分类器万博1manbetx |
ClassificationPartitionedECOC |
旨在多级ECOC模型支持向量机(svm)和其他分类器万博1manbetx |
主题
- 使用分类学习者应用合奏训练分类器
创建和系综分类器相比,和出口训练模型对新数据进行预测。
- 对集成学习框架
通过使用许多弱学习者获得高度准确的预测。
- 整体算法
了解不同的对集成学习算法。
- 火车分类合奏
火车一个简单的分类。
- 测试整体质量
学习方法来评估预测整体的质量。
- 处理不平衡数据分类合奏中或不平等的误分类成本
学习如何设置前类概率和误分类代价。
- 与不平衡数据分类
使用RUSBoost算法分类当人在您的数据中一个或多个类。
- LPBoost TotalBoost小乐队
创建使用LPBoost小乐队和TotalBoost算法。(LPBoost和TotalBoost需要优化工具箱™)。
- 曲调RobustBoost
调优RobustBoost参数预测的准确性。(RobustBoost需要优化工具箱。)
- 代理分裂
更好地预测当你使用代理将丢失的数据。
- 火车并行分类合奏
训练可再生产地并行袋装合奏。
- 引导使用TreeBagger聚合(装袋)的分类树
创建一个
TreeBagger
系综分类。 - 信用评级装袋决策树
这个例子展示了如何构建一个自动信用评级工具。
- 随机子空间分类
提高分类的准确性通过使用一个随机子空间。
- 预测类标签使用ClassificationEnsemble预测块
与最优hyperparameters合奏训练分类模型,然后使用ClassificationEnsemble预测预测块的标签。
MATLAB-Befehl
您有窗户的链接geklickt,汪汪汪der diesem MATLAB-Befehl entspricht:
在das MATLAB-Befehlsfenster Fuhren您窝Befehl军队Eingabe来自。浏览器unterstutzen MATLAB-Befehle。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。