分类素..

包:classreg.learning.classif.
超类:CompactClassificationseMble

集成分类器

展开所有页面

描述

分类素..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。它存储用于培训的数据，可以计算重新讨厌预测，并且如果需要，可以恢复培训。

建造

使用。创建分类集成对象fitcensemble.．

特性

`毕业生`	的单元格数组指定的数值预测器的Bin边缘p数字向量，在哪里p是预测因子的数量。每个向量包括数值预测器的bin边缘。分类预测器的单元格数组中的元素是空的，因为软件没有装入分类预测器。只有当您指定`'numbins'`名称 - 值对参数作为正整数标量培训与树学习者的模型。的`毕业生`属性为空`'numbins'`Value为空(默认)。您可以重现Binned Predictor数据`Xbinned`通过使用`毕业生`培训模型的财产`mdl`． 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`离散化`功能。xbinned =离散化（x，[ - inf;边缘{j}; inf]）;Xbinned（：，j）= xbinned;结尾 `Xbinned`包含单位，范围为1到箱数，用于数字预测器。`Xbinned`对于分类预测器，值为0。如果`X`包含`南`s，然后相应的`Xbinned`值是`南`s。
`分类预测器`	分类预测索引指定为正整数的向量。`分类预测器`包含与包含分类预测器的预测器数据列对应的索引值。如果没有预测器都是分类的，则此属性是空的（`[]`)．
`一会`	元素列表`Y`删除了重复项。`一会`可以是数字矢量，分类矢量，逻辑向量，字符数组或字符向量阵列。`一会`具有与参数中的数据相同的数据类型`Y`．(软件将字符串数组视为字符向量的单元数组。)
`联合重量`	描述如何的字符矢量`实体`结合弱学习权重，也可以结合`'加权'`或者`'加权平均'`．
`成本`	方矩阵，在哪里`成本(i, j)`是将一个点分类为课程的成本`j`如果它的真实课程是`我`(行对应真实的类，列对应预测的类)。的行和列的顺序`成本`中的类的顺序`一会`．行数和列的数量`成本`是响应中唯一类的数量。此属性是只读的。
`ExpandedPredictorNames.`	扩展的预测器名称，存储为字符向量的单元格数组。如果模型对分类变量使用编码，那么`ExpandedPredictorNames.`包括描述扩展变量的名称。除此以外，`ExpandedPredictorNames.`和`预测`．
`FitInfo`	拟合信息的数字数组。的`FitInfoDescription`属性描述此数组的内容。
`FitInfoDescription`	的含义的字符向量`FitInfo`数组中。
`HyperparameterOptimizationResults`	超参数的交叉验证优化的描述，存储为a`贝叶斯偏见`对象或超参数和关联值的表。非空的时`优化hyperParameters.`名称-值对在创建时非空。值的设置取决于`HyperparameterOptimizationOptions`创建时的名称-值对: `“bayesopt”`(default) -类的对象`贝叶斯偏见` `“gridsearch”`或者`'randomsearch'`- 使用的超参数表，观察到的目标函数值（交叉验证丢失），以及从最低（最佳）到最高（最差）的观察等级
`学习名`	集合中具有弱学习者名称的字符向量单元数组。每个学习者的名字只出现一次。例如，如果你有100棵树，`学习名`是`{'树'}`．
`方法`	描述创造方法的字符矢量`实体`．
`ModelParameters`	用于培训的参数`实体`．
`NumObservations`	数字标量包含培训数据中的观察次数。
`麻木`	培训的弱学习者数量`实体`，一个标量。
`预测`	预测器变量的名称的单元数组，按照它们出现的顺序`X`．
`事先的`	每个类的先验概率的数值向量。元素的顺序`事先的`中的类的顺序`一会`．元素的数量`事先的`是响应中唯一类的数量。此属性是只读的。
`原理`	描述原因的字符矢量`fitcensemble.`停止让弱项加入合唱团。
`ResponseName`	带有响应变量名称的字符向量`Y`．
`scoretransform.`	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。`“没有”`意味着没有转换;同样,`“没有”`方法`@ x (x)`．有关内置转换功能列表和自定义转换功能的语法，请参阅`fitctree`．添加或更改`scoretransform.`使用点表示法的功能： ens.scoretransform ='函数＇或者 ens.scoretransform = @函数
`训练有素的`	训练分类模型的细胞矢量。如果`方法`是`'logitboost'`或者`“GentleBoost”`,然后`分类素..`商店训练有素的学习者`j`在里面`CompactRegressionLearner`中存储的对象的`训练{j｝`．也就是说，访问训练有素的学习者`j`，用`ens.tromed {j.compactregresionLearner`．否则，细胞矢量的细胞包含相应的紧凑分类模型。
`TrainedWeights`	中弱学习者训练权值的数值向量`实体`．`TrainedWeights`具有`T`元素，在哪里`T`是弱者的数量`学习者`．
`USEMERPREDFORLEARNER.`	逻辑大小矩阵`P`-经过-`麻木`，在哪里`P`培训数据中预测器(列)的数量`X`．`USEPREDFORLEARNER（I，J）`是`真正的`当学习者`j`使用预测指标`我`,是`假`除此以外。对于每个学习者，预测器具有与培训数据中的列相同的顺序`X`．如果合奏不是类型`子空间`，所有条目`USEMERPREDFORLEARNER.`是`真正的`．
`W`	缩小了`权重`，长度的矢量`n`，行的数量`X`．元素的总和`W`是`1`．
`X`	矩阵或培训集合的预测值的表。每列`X`表示一个变量，每一行表示一个观察值。
`Y`	数字向量、分类向量、逻辑向量、字符数组或字符向量的单元数组。每一行的`Y`表示相应行的分类`X`．

对象的功能

`袖珍的`	紧凑的系综分类
`crossval`	交叉验证合奏
`边缘`	分类边缘
`失利`	分类错误
`利润`	分类边距
`partialDependence`	计算部分依赖
`绘图竞争依赖性`	创建部分依赖图(PDP)和个人条件期望图(ICE)
`预测`	使用分类模型集成对观测结果进行分类
`predictorImportance`	决策树分类集成中预测器重要性的估计
`雷诺维尔人`	剔除紧凑分类集成的成员
`resubEdge`	分类边缘通过再替换
`resubLoss`	再替换导致分类错误
`重新提交`	分类边缘通过再替代
`resubPredict`	分类在分类模型的集合中的观察
`的简历`	恢复训练合奏

复制语义

价值。要了解值类如何影响复制操作，请参见复制对象．

例子

全部折叠

列车加速分类集成

打开生活的脚本

加载电离层数据集。

负载电离层

使用所有测量和培训100个分类树的增强集合adaboostm1.方法。

mdl = fitcensemble（x，y，'方法'，“AdaBoostM1”）

mdl = classificationsemble racatectename：'y'pationoricalpricictors：[] classnames：{'b'g'} scoreTransform：'none'numobservations：351 numtromed：100方法：'adaboostm1'学员：{'树'}原理：'正常终止完成所要求的培训周期后。fitinfo：[100x1 double] fitinfodescription：{2x1 cell}属性，方法

Mdl是A.分类素..模型对象。

Mdl。Trained是存储经过训练的分类树的100 × 1单元向量的属性(CompactClassificationTree模型组成集成的对象)。

绘制第一训练分类树的图表。

视图(Mdl。训练{1｝，“模式”，'图形'）

默认，fitcensemble.为树木的增强集合增长浅树。

预测均值的标签X．

predmeanx =预测（mdl，均值（x））

predmeanx =1x1细胞阵列{'G'}

尖端

对于分类树的集合，训练有素的的属性实体商店A.ens.numtromed.-1 Compact分类模型的1个细胞矢量。用于树的文本或图形显示t在单元格向量中，输入:

查看（ens.tromed {t} .CompactRegressionLearner)用于使用LogitBoost或GentleBoost聚合的集成。
查看（ens.tromed {t}）用于所有其他聚合方法。

扩展能力

C / C ++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用说明和限制：

的预测功能支持代码生成。万博1manbetx
当你用fitcensemble.，集合中使用的弱学习者的代码生成限制也适用于集合。有关更多详细信息，请参阅“代码生成”部分ClassificationKnn.，CompactClassificationDiscriminant.,CompactClassificationTree．
对于固定点代码生成，您必须使用树学习者培训一组合奏。