resubPredict

在分类模型集成中对观测结果进行分类

语法

标签= resubPredict(实体) (标签,分数)= resubPredict(实体) (标签,分数)= resubPredict(实体、名称、值)

标签= ResubPredict（实体）返回标签实体对数据进行预测ens.X．标签是关于实体根据这些数据fitcensemble用于创建实体．

［标签，分数) = resubPredict (实体）还返回所有课程的分数。

［标签，分数) = resubPredict (实体，名称,值）使用一个或多个指定的附加选项查找重新替换预测名称,值对参数。

`实体`	创建的分类集合`fitcensemble`．

指定可选的逗号分隔对名称,值参数。的名字参数名和价值是对应的值。的名字必须出现在引号内。您可以按如下顺序指定几个名称和值对参数Name1, Value1,…,的家．

“学习者”

弱学习者在集合中的指数从1来NumTrained．oobLoss只使用这些学习者来计算损失。

默认值:1: NumTrained

`标签`	响应`实体`预测训练数据。`标签`数据类型是否与培训响应数据相同`ens.Y`，其条目数与输入的行数相同`ens.X`．
`分数`	一个`N`——- - - - - -`K`矩阵,`N`是行数吗`ens.X`,`K`是班数在多少`实体`．高分表示一个观察结果很可能来自这个类。

打开生活的脚本

找出错误分类的总数fisheriris用于分类集成的数据。

加载Fisher虹膜数据集。

负载fisheriris

使用AdaBoostM2训练100棵增强分类树。

t = templateTree (“MaxNumSplits”1);%弱学习者模板树对象实体= fitcensemble(量、种类、“方法”，“AdaBoostM2”，“学习者”t);

找出错误分类的总数。

Ypredict = resubPredict (ens);%的预测Ysame = strcmp (Ypredict、物种);当Ypredict和species相等时，为真总和(~ Ysame)%不同预测的数量

ans = 5

下载电子书