预测

分类观察使用分类模型的合奏

扩大所有页面

句法

标签=预测（MDL，X）

标签=预测（MDL，X，名称，值）

[标签，得分=预测（___）

描述

标签=预测（MDL，X）返回预测类别标签的向量为表或矩阵的预测数据X的基础上，全部或紧凑，训练的分类合奏MDL。

标签=预测（MDL，X，名称，值）使用由一个或多个指定的附加选项名称，值对参数。

[标签，得分] =预测（___）也返回分类的矩阵分数（得分），这表明一个标签来自一个特定的类，使用任何在前面的语法的输入参数的可能性。对于每个观测X，预测类标签对应的最高得分各阶层中。

输入参数

MDL

通过创建一个分类集成fitcensemble或致密分类合奏通过创建紧凑。

X

预测器数据要被分类，指定为数字矩阵或表。

每行X对应于一个观测，并且每一列对应于一个变量。

对于数字矩阵：
- 组成的列变量X必须具有相同的顺序预测变量，经过训练，MDL。
- 如果你训练的MDL使用表（例如，TBL），然后X可以是数字矩阵如果TBL包含所有数字预测变量。为了治疗在数字预测TBL培训期间分类，标识使用分类预测CategoricalPredictors的名称 - 值对参数fitcensemble。如果TBL含有异构预测变量（例如，数字和分类数据类型），并且X是一个数值矩阵，则预测抛出一个错误。
对于表：
- 预测不支持多列变量和除万博1manbetx字符向量的单元阵列的其他单元阵列。
- 如果你训练的MDL使用表（例如，TBL），那么所有的预测变量X必须有相同的变量名，并为那些训练有素的相同的数据类型MDL（存储在Mdl.PredictorNames）。然而，列顺序X并不需要对应的列顺序TBL。TBL和X可以包含额外的变量（响应变量，观察权重等），但预测忽略它们。
- 如果你训练的MDL使用数字矩阵，然后在预测名称Mdl.PredictorNames和相应的预测器变量名中X必须是相同的。训练过程中指定的预测名称，请参阅PredictorNames的名称 - 值对参数fitcensemble。所有的预测变量中X必须为数字向量。X可以包含额外的变量（响应变量，观察权重等），但预测忽略它们。

名称 - 值对参数

指定可选的用逗号分隔的对名称，值参数。名称是参数的名称和值是对应的值。名称必须出现引号内。您可以按照任何顺序指定多个名称和值对参数名1，值1，...，NameN，值N。

“学习者”

弱学习指数预测用来响应，数字矢量计算。

默认：1：T，其中Ť弱学习者的数量MDL

'UseObsForLearner'

大小的逻辑矩阵ñ-通过-Ť其中：

ñ是的行数X。
Ť弱学习者的数量MDL。

什么时候UseObsForLearner（I，J）是真正，学习者Ĵ在预测类行的使用一世的X。

默认：真（N，T）

输出参数

`标签`	分类标签的载体。`标签`具有相同的数据类型在训练中使用的标签`MDL`。（该软件把字符串数组作为字符向量的单元阵列。）
`得分`	每个观测一行和每类中的一个列的矩阵。对于每个观测和每个类别，由每个树产生的得分是从该类计算这个类的观测在树叶分数这种观察始发的概率。`预测`平均这些分数超过在合奏的所有树木。

例子

展开全部

预计使用分类集成类标签

开立真实脚本

加载费舍尔的虹膜数据集。确定样本大小。

加载fisheririsN =尺寸（MEAS，1）;

将数据划分为训练和测试集。抱出来的数据10％用于测试。

RNG（1）;％用于重现CVP = cvpartition（N，'坚持'，0.1）;idxTrn =训练（CVP）;％训练集指标idxTest =试验（CVP）;％测试集指标

在表中存储训练数据。

tblTrn = array2table（MEAS（idxTrn，:)）;tblTrn.Y =物种（idxTrn）;

列车采用AdaBoostM2和训练集的分类集成。指定树桩作为弱学习。

T = templateTree（'MaxNumSplits'，1）;MDL = fitcensemble（tblTrn，'Y'，'方法'，'AdaBoostM2'，“学习者”，T）;

预测测试集的标签。你训练的模型中使用的数据表，但你可以使用矩阵预测标签。

标签=预测（MDL，MEAS（idxTest，:)）;

构建用于测试集混淆矩阵。

confusionchart（种（idxTest），标签）

MDLmisclassifies一个云芝虹膜作为测试集锦葵。

扩展功能

高大的数组
与具有较适合在内存中更多的行阵列计算。

此功能完全支持高大的阵列。万博1manbetx您可以使用培训了无论是在内存或使用此功能高大的数据模型。

欲了解更多信息，请参阅高大的数组（MATLAB）。

C / C ++代码生成
生成使用MATLAB®编码器™C和C ++代码。

使用注意事项和限制：

用saveLearnerForCoder，loadLearnerForCoder和代码生成以生成用于代码预测功能。通过使用保存训练模型saveLearnerForCoder。定义一个入口点函数加载使用保存的模型loadLearnerForCoder并调用预测功能。然后用代码生成生成的入口点函数的代码。
还可以生成针对定点C / C ++代码预测。定点代码生成需要一个额外的步骤，定义了预测所需要的变量的定点数据类型。通过使用创建一个定点数据类型的结构数据类型函数所产生的generateLearnerDataTypeFcn和使用这种结构作为输入参数loadLearnerForCoder在入口点函数。产生定点C / C ++代码需要MATLAB^®编码器™和定点设计师™。
产生定点代码为预测包括传播的数据类型为个人学习者，因此，可能是耗时的。

此表包含有关的论点笔记预测。未列入此表的参数都完全支持。万博1manbetx

论据	注意事项和限制
`MDL`	对于模型对象的使用注意事项和限制，请参见代码生成的`CompactClassificationEnsemble`目的。
`X`	对于一般代码生成，`X`必须是单精度或双精度基质或含有表`单`要么`双`预测变量。如果你想指定`X`作为一个表，那么你的模型必须使用一个表的训练，你必须确保你的预测入口点函数：接受数据作为阵列创建来自数据输入参数的表，确定该表中的变量名通过该表`预测` 此表的工作流程的一个例子，见生成代码，以表分类数字数据。有关在代码生成使用表的详细信息，请参阅代码生成的表（编码器MATLAB）和表限制代码生成（编码器MATLAB）。对于固定点代码生成，`X`必须是一个定点矩阵。行，或观测的数量，`X`可以是可变的大小，但列的数`X`必须是固定的。
名称 - 值对参数	在名称 - 值对参数的名称必须是编译时间常数。例如，以允许用户定义指数高达在生成的代码5个弱学习，包括`{coder.Constant（'学习者），coder.typeof（0，[1,5]，[0,1]）}`在里面`-args`的价值`代码生成`。
`“学习者”`	对于固定点代码生成，所述`“学习者”`值必须具有整数数据类型。