分类集合体
用于多类学习的增强、随机森林、套袋、随机子空间和ECOC集成
应用程序
| 分类学习者 | 训练模型使用监督机器学习对数据进行分类 |
块
| ClassificationEnsemble预测 | 使用决策树集合对观测结果进行分类 |
功能
类
主题
- 使用分类学习器App训练集成分类器
创建和比较集成分类器，并导出经过训练的模型，以便对新数据进行预测。
- 集成学习框架
通过使用许多弱学习器获得高度准确的预测。
- 整体算法
了解集成学习的不同算法。
- 列车分类总集
训练一个简单的分类集合。
- 测试整体质量
学习评估集成预测质量的方法。
- 在分类集成中处理不平衡的数据或不相等的错误分类代价
学习如何设置先验分类概率和错误分类代价。
- 不平衡数据分类
当一个或多个类在数据中被过度表示时，使用RUSBoost算法进行分类。
- LPBoost和TotalBoost小集成
使用LPBoost和TotalBoost算法创建小型集成。(LPBoost和TotalBoost需要优化工具箱™。)
- 曲调RobustBoost
调整RobustBoost参数以获得更好的预测准确性。(RobustBoost需要优化工具箱。)
- 代理分裂
当缺少数据时，通过使用代理分割获得更好的预测。
- 并行列车分类集成
可重复地平行训练一个袋装整体。
- 使用TreeBagger进行分类树的自举聚合(Bagging)
创建一个
TreeBagger用于分类的集合。 - 套袋决策树的信用评级
这个例子展示了如何构建一个自动信用评级工具。
- 随机子空间分类
通过使用随机子空间集合提高分类的准确性。
- 使用classiationensemble预测块预测类标签
训练一个具有最优超参数的分类集成模型，然后使用ClassificationEnsemble预测用于标签预测的块。
