预测

分类观察使用分类模型的合奏

描述

标签=预测(MDLX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(MDLX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TBLTBLX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)真正,学习者Ĵ在预测类行的使用一世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

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。

更多关于

展开全部

扩展功能

介绍了在R2011a