CompactClassificationEnsemble

包:classreg.learning.classif

紧分类系综类

全部展开页面

描述

分类集合(类的)的紧凑版本ClassificationEnsemble)．精简版本不包括用于训练分类集成的数据。因此，您不能使用紧凑的分类集成执行某些任务，例如交叉验证。使用紧凑的分类集合对新数据进行预测(分类)。

建设

实体=紧凑(fullEns）从一个完整的决策集成构造一个紧凑的决策集成。

输入参数

fullEns

由。创建的分类集合fitcensemble．

属性

`CategoricalPredictors`	分类预测指标，指定为一个正整数向量。`CategoricalPredictors`包含与包含分类预测器的预测器数据列对应的索引值。如果没有任何预测器是绝对的，则此属性为空(`［］`)．
`一会`	中的元素列表`Y`删除了重复项。`一会`可以是数字向量、类别变量的向量、逻辑向量、字符数组或字符向量的单元格数组。`一会`是否与参数中的数据具有相同的数据类型`Y`．(该软件将字符串数组视为字符向量的单元格数组。)
`CombineWeights`	描述如何`实体`结合弱学习权重，也可以结合`“WeightedSum”`或`“WeightedAverage”`．
`成本`	方阵,`成本(i, j)`将一个点分类的成本是多少`j`如果它真正的阶级是`我`(行对应真实的类，列对应预测的类)。的行和列的顺序`成本`中类的顺序`一会`．中的行数和列数`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。否则,`ExpandedPredictorNames`是一样的`PredictorNames`．
`NumTrained`	受过训练的弱学习者的数量`实体`一个标量。
`PredictorNames`	预测器变量名称的单元格数组，按它们出现的顺序排列`X`．
`之前`	每个类的先验概率的数字向量。元素的顺序`之前`中类的顺序`一会`．元素的数量`之前`是响应中唯一类的数量。此属性是只读的。
`ResponseName`	带有响应变量名称的字符向量`Y`．
`ScoreTransform`	用于转换分数的函数句柄，或表示内置转换函数的字符向量。`“没有”`意味着没有转换;同样,`“没有”`意味着`@ x (x)`．有关内置转换函数的列表和自定义转换函数的语法，请参见`fitctree`．添加或更改`ScoreTransform`函数使用点表示法: ens.ScoreTransform = '函数＇或 ens.ScoreTransform = @函数
`训练有素的`	训练的分类模型的细胞向量。如果`方法`是`“LogitBoost”`或`“GentleBoost”`,然后`CompactClassificationEnsemble`商店训练学习者`j`在`CompactRegressionLearner`属性中存储的对象`训练有素的{j｝`．也就是说，接触训练有素的学习者`j`,使用`ens.Trained {j}。CompactRegressionLearner`．否则，细胞向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`有`T`元素,`T`弱学习者的人数在多少`学习者`．
`UsePredForLearner`	逻辑大小矩阵`P`——- - - - - -`NumTrained`,在那里`P`训练数据中预测器(列)的数量`X`．`UsePredForLearner (i, j)`是`真正的`当学习者`j`使用预测`我`,是`假`否则。对于每个学习者，预测器的顺序与训练数据中的列相同`X`．如果集合不是类型`子空间`，所有输入`UsePredForLearner`是`真正的`．

对象的功能

`compareHoldout`	使用新数据比较两个分类模型的准确性
`边缘`	分类的优势
`石灰`	局部可解释的模型不可知解释(LIME)
`损失`	分类错误
`保证金`	分类的利润率
`partialDependence`	计算部分依赖
`plotPartialDependence`	创建部分依赖图(PDP)和个人条件期望图(ICE)
`预测`	使用分类模型的集合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
`removeLearners`	删除紧凑分类集合的成员
`沙普利`	沙普利值

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

减小分类集成的大小

打开生活的脚本

创建一个紧凑的分类集合，有效地对新数据进行预测。

加载电离层数据集。

负载电离层

使用所有的测量值和AdaBoostM1方法。

Mdl = fitcensemble (X, Y,“方法”，“AdaBoostM1”）

Mdl = ClassificationEnsemble ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' ' 'g'} ScoreTransform: 'none' NumObservations: 351 NumTrained: 100 Method: 'AdaBoostM1' LearnerNames: {'Tree'} ReasonForTermination: '在完成请求的训练周期数后正常终止。'FitInfo描述:{2x1 cell}属性，方法

Mdl是一个ClassificationEnsemble模型对象，其中包含训练数据。

创建一个紧凑的版本Mdl．

CMdl =紧凑(Mdl)

CMdl = CompactClassificationEnsemble ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' ' 'g'} ScoreTransform: 'none' NumTrained: 100属性，方法

CMdl是一个CompactClassificationEnsemble模型对象。CMdl几乎一样吗Mdl．一个例外是CMdl不存储训练数据。

比较所消耗的空间量Mdl和CMdl．

mdlInfo =谁(“Mdl”）;cMdlInfo =谁(“CMdl”）;[mdlInfo。字节cMdlInfo.bytes]

ans =1×2878146 631686

Mdl比CMdl．

CMdl。Trained储存经过训练的分类树(CompactClassificationTree模型对象)Mdl．

显示紧凑型集成中的第一棵树的图。

视图(CMdl。训练有素的{1},“模式”，“图”）;

图分类树查看器包含一个轴和其他类型的uimenu, uicontrol对象。轴包含36个类型为line, text的对象。

默认情况下,fitcensemble种植浅的树木，以增强树木的整体效果。

预测的平均值的标签X使用紧凑的集成。

predMeanX =预测(CMdl,意味着(X))

predmeanx =1 x1单元阵列{' g '}

提示

对于分类树的集合训练有素的的属性实体存储一个ens.NumTrained紧凑分类模型的-by-1细胞向量。用于树的文本或图形显示t在细胞向量中，输入:

视图(实体。训练有素的{t} .CompactRegressionLearner)用于使用LogitBoost或GentleBoost聚合的集成。
视图(实体。训练有素的{t}）用于所有其他聚合方法。

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项及限制:

的预测函数支持代码生成。万博1manbetx
将集成的预测集成到Simulink中万博1manbetx^®，你可以使用ClassificationEnsemble预测块在统计和机器学习工具箱™库或MATLAB^®功能块预测函数。
当你通过使用fitcensemble，集成中使用的弱学习者的代码生成限制也适用于集成。有关更多详细信息，请参阅ClassificationKNN，CompactClassificationDiscriminant,CompactClassificationTree．
对于定点代码生成，必须使用树学习器训练集成。