分类学习者 | 使用有监督的机器学习训练模型来分类数据 |
分类编码预测 | 使用决策树的集合对观察结果进行分类 |
创建和比较集成分类器,并导出经过训练的模型以对新数据进行预测。
通过使用许多弱学习者获得高度准确的预测。
了解集成学习的不同算法。
训练一个简单的分类集合。
学习评估集合预测质量的方法。
学习如何设置先验类概率和误分类成本。
当一个或多个类在数据中过度表示时,使用RUSBoost算法进行分类。
使用LPBoost和TotalBoost算法创建小集合。(LPBoost和TotalBoost需要优化工具箱™.)
调整RobustBoost参数以获得更好的预测精度。(RobustBoost需要优化工具箱。)
当您有丢失的数据时,可以使用代理分割来获得更好的预测。
以平行重复的方式训练袋装乐队。
创建一个树人
用于分类的集合。
这个例子展示了如何构建一个自动化的信用评级工具。
利用随机子空间集合提高分类精度。
使用ClassificationsImple Predict块预测类标签
训练具有最优超参数的分类集成模型,然后使用分类编码预测用于标签预测的块。