列车集成分类使用分类学习应用

创建和比较集成分类，并出口训练的模型来为新数据的预测。

框架集成学习

通过使用许多弱学习获得高度准确的预测。

乐团算法

了解有关集成学习不同的算法。

火车分类集成

培养一个简单的分类集成。

测试合奏质量

学习方法来评估整体的预测质量。

在处理合奏分类不平衡数据或不等误分类损失

了解如何设置前级概率和误分类成本。

不均衡的数据分类

使用RUSBoost算法进行分类，当一个或多个类资料中的过表达。

LPBoost和TotalBoost小合奏

创建使用LPBoost和TotalBoost算法小合奏。（LPBoost和TotalBoost需要优化工具箱™）。

调RobustBoost

调RobustBoost参数更好的预测精度。（RobustBoost需要优化工具箱。）

代孕拆分

获得更好的预测当你通过使用替代拆分丢失的数据。

分类树的自举聚合（套袋）使用TreeBagger

创建TreeBagger合奏进行分类。

套袋决策树信用评级

这个例子显示了如何建立一个自动化的信用评级工具。

随机子空间分类

通过使用随机子空间合奏增加分类的准确性。