火车分类集成
这个例子显示了如何创建一个分类树合奏的电离层数据集，并用它来预测的平均测量值的雷达回波分类。
加载电离层数据集。
加载电离层
训练分类集成。对于二元分类问题，fitcensemble聚合使用LogitBoost 100个分类树。
MDL = fitcensemble（X，Y）
MDL = classreg.learning.classif.ClassificationEnsemble ResponseName： 'Y' CategoricalPredictors：[]类名：{ 'B' 的 'g'} ScoreTransform： '无' NumObservations：351 NumTrained：100方法： 'LogitBoost' LearnerNames：{ '树'} ReasonForTermination：“完成训练周期的请求的数目后正常结束”。FitInfo：100X1双] FitInfoDescription：{2×细胞}属性，方法
MDL是ClassificationEnsemble模型。
剧情在合奏第一训练的分类树的图。
视图（Mdl.Trained {1} .CompactRegressionLearner，'模式'，'图形'）;
默认，fitcensemble对于生长增强算法浅的树木。你可以通过树模板对象改变树深度fitcensemble。有关详细信息，请参阅templateTree。
预测，平均预测测量值的雷达回波质量。
标记=预测（MDL，平均值（X））
标签=1x1的单元阵列{'G'}
也可以看看
相关话题
您还可以选择从下面的列表中的网站：
