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
创建学习者模板
templateDiscriminant |
判别分析分类器模板 |
templateECOC |
纠错输出代码学习模板 |
templateEnsemble |
集成学习模板 |
templateKNN |
k最近邻分类器模板 |
templateLinear |
线性分类学习器模板 |
templateNaiveBayes |
朴素贝叶斯分类器模板 |
templateSVM |
万博1manbetx支持向量机模板 |
templateTree |
创建决策树模板 |
系综分类
创建分类集成
fitcensemble |
用于分类的学习器的拟合集合 |
紧凑的 |
紧密分类系综 |
修改分类集成
重新开始 |
简历培训套装 |
removeLearners |
移除紧凑分类集合的成员 |
解释分类集成
石灰 |
局部可解释模型不可知论解释(LIME) |
partialDependence |
计算部分相关性 |
plotPartialDependence |
创建部分依赖图(PDP)和个体条件期望图(ICE) |
predictorImportance |
决策树分类集合中预测因子重要性的估计 |
沙普利 |
沙普利值 |
交叉验证分类集成
crossval |
旨在合奏 |
kfoldEdge |
交叉验证分类模型的分类边缘 |
kfoldLoss |
交叉验证分类模型的分类损失 |
kfoldMargin |
交叉验证分类模型的分类余量 |
kfoldPredict |
在交叉验证的分类模型中对观测值进行分类 |
kfoldfun |
分类交叉验证函数 |
测量性能
损失 |
分类错误 |
resubLoss |
由重替换引起的分类错误 |
compareHoldout |
使用新数据比较两种分类模型的精度 |
边缘 |
分类的优势 |
保证金 |
分类的利润率 |
resubEdge |
通过重新替换的分类边缘 |
resubMargin |
用再替代法分类边际 |
testckfold |
通过反复交叉验证比较两种分类模型的准确率 |
分类的观察
预测 |
使用分类模型集合对观测进行分类 |
resubPredict |
在分类模型集合中对观测进行分类 |
oobPredict |
预测整体的包外响应 |
收集分类集成的属性
收集 |
收集属性统计学和机器学习工具箱来自GPU的对象 |
袋装分类树
fitcensemble |
用于分类的学习器的拟合集合 |
TreeBagger |
袋装决策树的集合 |
预测 |
使用袋装决策树的集合预测响应 |
oobPredict |
包外观测的集合预测 |
多级ECOC
创建ECOC
修改ECOC
discard万博1manbetxSupportVectors |
抛弃ECOC模型万博1manbetx中线性支持向量机二值学习器的支持向量 |
解释ECOC
石灰 |
局部可解释模型不可知论解释(LIME) |
partialDependence |
计算部分相关性 |
plotPartialDependence |
创建部分依赖图(PDP)和个体条件期望图(ICE) |
沙普利 |
沙普利值 |
旨在ECOC
crossval |
交叉验证多级纠错输出码(ECOC)模型 |
kfoldEdge |
交叉验证ECOC模型的分类边缘 |
kfoldLoss |
交叉验证ECOC模型的分类损失 |
kfoldMargin |
交叉验证ECOC模型的分类余量 |
kfoldPredict |
在交叉验证的ECOC模型中对观测值进行分类 |
kfoldfun |
使用交叉验证的ECOC模型进行交叉验证函数 |
测量性能
损失 |
多类纠错输出码(ECOC)模型的分类损失 |
resubLoss |
多类纠错输出码(ECOC)模型的再替换分类损失 |
compareHoldout |
使用新数据比较两种分类模型的精度 |
边缘 |
多类纠错输出码(ECOC)模型的分类边缘 |
保证金 |
多类纠错输出码(ECOC)模型的分类余量 |
resubEdge |
多类纠错输出码(ECOC)模型的再替换分类边 |
resubMargin |
多类纠错输出码(ECOC)模型的再替换分类余量 |
testckfold |
通过反复交叉验证比较两种分类模型的准确率 |
分类的观察
预测 |
采用多类纠错输出码(ECOC)模型对观测值进行分类 |
resubPredict |
多类纠错输出码(ECOC)模型中观测值的分类 |
收集ECOC的属性
收集 |
收集属性统计学和机器学习工具箱来自GPU的对象 |
类
系综分类
ClassificationEnsemble |
集成分类器 |
CompactClassificationEnsemble |
紧凑分类集成类 |
ClassificationPartitionedEnsemble |
交叉验证分类集合 |
袋装分类树
TreeBagger |
袋装决策树的集合 |
CompactTreeBagger |
袋决策树的紧密集合 |
ClassificationBaggedEnsemble |
通过重采样生成的分类集合 |
多级ECOC
ClassificationECOC |
支持向量机(svm)和其他分类器的多类模型万博1manbetx |
CompactClassificationECOC |
支持向量机(svm)和其他分类器的紧凑多类模型万博1manbetx |
ClassificationPartitionedECOC |
支持向量机(svm)和其他分类器的交叉验证多类ECOC模型万博1manbetx |
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。
MATLAB命令
您点击了与此MATLAB命令对应的链接:
通过在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。万博1manbetx
你亦可选择下列网址:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家网站没有针对您所在位置的访问进行优化。