OOB预测

预测集合的出袋响应

语法

[标签、分数]=OOB预测（ens） (标签,分数)= oobPredict(实体、名称、值)

[标签,分数]=oobPredict(恩斯)返回的类标签和分数恩斯out-of-bag数据。

[标签,分数]=oobPredict(恩斯,名称、值)使用一个或多个指定的附加选项计算标签和分数名称、值对参数。

`恩斯`	一种分类袋装套装，由`菲特森布尔`.

指定可选的逗号分隔的字符对名称、值论据。名称是参数名和价值为对应值。名称必须出现在引号内。您可以按任意顺序指定多个名称和值对参数，如下所示：Name1, Value1,…,的家.

学习者

集合中弱学习者的指数从1.到恩斯NumTrained先生.oobEdge只使用这些学习者计算损失。

违约：1: NumTrained

`标签`	与训练数据相同数据类型的分类标签`Y`.（软件将字符串数组视为字符向量的单元数组。）有`N`元素或行，其中`N`是训练观察的次数。标签是得分最高的班级。如果是平局，标签是最早的`恩斯.类名`.
`分数`	一`N`-借-`K`数字矩阵`N`观察和`K`类。分数高表示该观察结果可能来自这门课。分数在范围之内`0`到`1.`.

打开生活的脚本

找出Fisher iris数据的现成预测和分数。找出结果分类中具有显著不确定性的分数。

加载示例数据集。

负载鱼腥草

训练一组袋装分类树。

ens=fitcensemble（MEA、物种、，“方法”,“包”);

找出现成的预测和分数。

[标签、分数]=OOB预测（ens）；

找出范围内的分数(0.2,0.8)。这些分数在结果分类中具有显著的不确定性。

不确定=（分数>0.2）和（分数<0.8））；总和（总和（不确定））%不确定预测的数量

ans = 16

下载电子书