CompactTreeBagger类
由自举聚合生长的决策树的紧凑集成
描述
CompactTreeBagger类是一个轻量级类，它包含使用TreeBagger．CompactTreeBagger没有保存任何关于如何TreeBagger种植决策树。它不包含用于树木生长的输入数据，也不包含训练参数，如最小叶子大小或为每个随机决策分裂所采样的变量数量。你只能使用CompactTreeBagger用于预测给定新数据的训练集合的响应X，及其他相关功能。
CompactTreeBagger允许您将训练过的集成保存到磁盘，或以任何其他方式使用它，同时丢弃与预测完全成熟的集成的响应无关的训练数据和训练配置的各种参数。这减少了存储和内存需求，特别是对于在大型数据集上训练的集成。
建设
| CompactTreeBagger | 创建CompactTreeBagger对象 |
CMdl=紧凑(Mdl）Mdl,一个TreeBagger模型对象。你可以用CMdl就像你可以用的那样Mdl．然而,由于CMdl如果不包含训练数据，则无法执行某些操作，例如使用oobPredict．
对象的功能
结合 |
结合两个乐团 |
错误 |
误差(误分类概率或MSE) |
保证金 |
分类保证金 |
mdsprox |
接近矩阵的多维尺度 |
meanMargin |
意思是分类保证金 |
outlierMeasure |
数据的离群值测量 |
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 |
使用袋装决策树预测响应 |
接近 |
数据邻近矩阵 |
setDefaultYfit |
设置默认值预测 |
属性
|
的 |
|
的 对于分类，可以将此属性设置为 对于回归，可以将此属性设置为任何数值标量。默认值是训练数据响应的平均值。 |
|
的 |
|
的 |
|
的 |
|
的 |
|
的 |
|
的 |
|
的 |
例子
减少树袋的尺寸
创建一个紧凑的树袋，有效地对新数据进行预测。
加载电离层数据集。
负载电离层
训练一袋100棵分类树使用所有的测量和AdaBoostM1方法。
Mdl = TreeBagger (100 X, Y,“方法”，“分类”）
Mdl = TreeBagger合奏与100袋装决策树:训练X: [351 x34]培训Y: [351 x1)方法:分类NumPredictors: 34 NumPredictorsToSample: 6 MinLeafSize: 1 InBagFraction: 1 SampleWithReplacement: 1 ComputeOOBPrediction: 0 ComputeOOBPredictorImportance: 0距离:[]一会:“b”“g”属性,方法
Mdl是一个TreeBagger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 = CompactTreeBagger集合与100袋决策树:方法:分类NumPredictors: 34 ClassNames: 'b' ' 'g'属性，方法
CMdl是一个CompactTreeBagger模型对象。CMdl几乎一样吗Mdl．一个例外是它不存储训练数据。
比较所消耗的空间量Mdl和CMdl．
mdlInfo =谁(“Mdl”）;cMdlInfo =谁(“CMdl”）;[mdlInfo。字节cMdlInfo.bytes]
ans =1×21115742 976936
Mdl比CMdl．
CMdl。树储存经过训练的分类树(CompactClassificationTree模型对象)Mdl．
在紧凑模型中显示第一棵树的图。
视图(CMdl。{1},“模式”，“图”）;
默认情况下,TreeBagger深树生长。
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 '}
复制语义
价值。要了解这如何影响您对类的使用，请参见比较句柄类和值类在MATLAB®面向对象编程的文档。
提示
的树的属性CMdl存储的细胞载体CMdl。NumTreesCompactClassificationTree或CompactRegressionTree模型对象。用于树的文本或图形显示t在细胞载体中，输入
视图(CMdl。树木{t}）
你也可以从以下列表中选择一个网站:
