包裹:classreg.learning.classif.
超类:ClassificationEnsemble
通过重采样种植的分类集合
ClassificationBaggedensemble.
结合了一组培训的弱学习者模型和这些学习者培训的数据。它可以通过从其弱学习者聚合预测来预测新数据的集合响应。
使用袋装分类合奏对象使用fitcensemble.
。设置名称值对参数'方法'
的fitcensemble.
至“包”
使用Bootstrap聚合(袋装,例如随机林)。
|
数字预测器的Bin边缘,指定为单元数组P.数字向量,在哪里P.是预测器的数量。每个矢量包括用于数字预测器的箱边缘。用于分类预测器的单元阵列中的元素是空的,因为软件没有箱分类预测器。 只有在指定的情况下,软件箱体才能指定数字预测器 您可以重现Binned Predictor数据 x = mdl.x;%predictor数据xbinned = zeros(size(x));边缘= mdl.bineges;%查找箱预测因子的指数。idxnumeric = find(〜cellfun(@ isempty,边));如果是iscumn(idxnumeric)idxnumeric = idxnumeric';j = idxnumeric x = x(:,j);如果x是表,%将x转换为数组。如果是Istable(x)x = table2array(x);结束%X通过使用X进入垃圾箱
xbinned. 包含数值预测器的容器索引,范围从1到容器数量。xbinned. 对于分类预测器,值为0。如果X 包含南 s,然后相应的xbinned. 价值是南 s。 |
|
分类预测索引指定为正整数的向量。 |
|
中元素的列表 |
|
描述如何的字符矢量 |
|
扩展的预测器名称,存储为字符向量的单元格数组。 如果模型使用对分类变量的编码,那么 |
|
拟合信息的数字数组。这 |
|
描述含义的字符矢量 |
|
数字标量 |
|
超参数的交叉验证优化的描述,存储为a
|
|
描述创造方法的字符矢量 |
|
用于培训的参数 |
|
培训的弱学习者数量 |
|
预测变量名称的单元数组,按它们出现的顺序排列 |
|
描述原因的字符矢量 |
|
逻辑值指示组合是否接受替换( |
|
字符矢量与响应变量的名称 |
|
用于转换分数的功能手柄,或表示内置变换函数的字符矢量。 添加或更改 ens.ScoreTransform = '功能' 或者 ens.ScoreTransform = @功能 |
|
训练有素的学习者,一系列紧凑型分类模型。 |
|
弱学习者的训练权重的数字矢量 |
|
逻辑矩阵大小 |
|
按比例缩小的 |
|
训练集合的预测值的矩阵或表。每一列的 |
|
一个分类阵列,字符向量,字符阵列,逻辑向量的单元阵列,或具有相同行数的数字矢量 |
紧凑的 |
紧凑型分类集合 |
CompareHoldout. |
利用新数据比较两种分类模型的准确性 |
横梁 |
交叉验证合奏 |
边缘 |
分类边缘 |
石灰 |
本地可解释模型 - 不可知的解释(石灰) |
失利 |
分类错误 |
利润 |
分类的利润率 |
oObederge. |
袋外分类边缘 |
oobloss. |
袋外分类错误 |
oobMargin |
外包分类边距 |
OobpermutedPredictorimportance. |
通过分类树随机森林的袋外预测观测的排列估计预测重要度 |
Oobpredict. |
预测集合的袋子响应 |
部分竞争 |
计算部分依赖 |
plotPartialDependence |
创建部分依赖图(PDP)和个人有条件期望(ICE)情节 |
预测 |
使用分类模型的集体分类观察 |
预测的重要性 |
决策树分类集合的预测因素重要性估计 |
removeLearners |
删除紧凑型分类集合的成员 |
重新提交 |
补偿分类边缘 |
resubloss. |
补偿分类错误 |
resubMargin |
补偿分类利润 |
重新预订 |
分类在分类模型的集合中的观察 |
恢复 |
恢复训练合奏 |
福芙 |
福利价值观 |
testckfold. |
通过重复的交叉验证比较两个分类模型的精度 |
价值。要了解值类如何影响复制操作,请参阅复制对象。
对于一个袋装的分类树系列,训练有素的
财产奴隶
存储一个细胞载体ens.NumTrained
CompactClassificationTree.
模型对象。用于树的文本或图形显示T.
在单元格向量中,输入
视图(实体。训练有素的{T.})