包:classreg.learning.classif.
超类:CompactClassificationseMble
集成分类器
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。
使用。创建分类集成对象fitcensemble.
.
|
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 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。 |
|
分类预测索引指定为正整数的向量。 |
|
元素列表 |
|
描述如何的字符矢量 |
|
方矩阵,在哪里 |
|
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 |
|
拟合信息的数字数组。的 |
|
的含义的字符向量 |
|
超参数的交叉验证优化的描述,存储为a
|
|
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, |
|
描述创造方法的字符矢量 |
|
用于培训的参数 |
|
数字标量包含培训数据中的观察次数。 |
|
培训的弱学习者数量 |
|
预测器变量的名称的单元数组,按照它们出现的顺序 |
|
每个类的先验概率的数值向量。元素的顺序 |
|
描述原因的字符矢量 |
|
带有响应变量名称的字符向量 |
|
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 ='函数' 或者 ens.scoretransform = @函数 |
|
训练分类模型的细胞矢量。
|
|
中弱学习者训练权值的数值向量 |
|
逻辑大小矩阵 如果合奏不是类型 |
|
缩小了 |
|
矩阵或培训集合的预测值的表。每列 |
|
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 |
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 |
价值。要了解值类如何影响复制操作,请参见复制对象.
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 {
用于使用LogitBoost或GentleBoost聚合的集成。t
} .CompactRegressionLearner)
查看(ens.tromed {
用于所有其他聚合方法。t
})