包:classreg.learning.classif
超类:ClassificationEnsemble
分类总体增长了重采样
ClassificationBaggedEnsemble
结合一组训练薄弱的学习者模型和数据,这些学习者训练。它可以预测新数据通过聚合预测整体响应从薄弱的学习者。
创建一个袋装分类集合对象使用fitcensemble
。设置名称-值对的论点“方法”
的fitcensemble
来“包”
使用引导聚合(例如,装袋,随机森林)。
|
本数值预测边缘,指定的单元阵列p数值向量,p预测的数量。每个向量包括箱子边缘数值预测。单元阵列中的元素分类预测是空的,因为软件不本分类预测。 软件垃圾箱只有指定数值预测 你可以复制被预测数据 X = mdl.X;%预测数据Xbinned = 0(大小(X));边缘= mdl.BinEdges;%找到被预测的指标。idxNumeric =找到(~ cellfun (@isempty边缘));如果iscolumn idxNumeric idxNumeric = idxNumeric ';对j = idxNumeric x = x (:, j);% x转换为数组如果x是一个表。如果istable (x) x = table2array (x);组x %到垃圾箱使用结束
Xbinned 包含本指标,从1到垃圾箱的数量,数值预测。Xbinned 分类预测的值是0。如果X 包含南 年代,那么相应的Xbinned 值是南 年代。 |
|
分类预测指标,指定为一个向量的正整数。 |
|
元素的列表 |
|
特征向量描述如何 |
|
扩展预测名称,存储单元阵列的特征向量。 如果分类变量的模型使用的编码,那么 |
|
数字健康信息的数组。的 |
|
特征向量描述的意义 |
|
数字之间的标量 |
|
描述hyperparameters交叉验证优化的存储为一个
|
|
特征向量描述的方法创建 |
|
在培训中使用的参数 |
|
的训练薄弱的学习者 |
|
单元阵列为预测变量的名称,在它们出现的顺序 |
|
特征向量描述的原因 |
|
逻辑值指示如果合奏训练替代( |
|
特征向量与响应变量的名称 |
|
函数处理转变分数,或字符向量代表一个内置的变换函数。 添加或更改 ens.ScoreTransform = '函数” 或 ens.ScoreTransform = @函数 |
|
训练学习者,紧凑的分类模型的单元阵列。 |
|
数字矢量弱学习者的训练重量 |
|
逻辑矩阵的大小 |
|
按比例缩小的 |
|
矩阵或预测表值,训练有素的合奏。每一列的 |
|
一系列直言,单元阵列的特征向量,字符数组,逻辑向量,或一个数值向量具有相同的行数 |
紧凑的 |
紧凑的系综分类 |
compareHoldout |
比较两种分类模型使用新数据的精度 |
crossval |
旨在合奏 |
边缘 |
分类的优势 |
石灰 |
本地可model-agnostic解释(石灰) |
损失 |
分类错误 |
保证金 |
分类的利润率 |
oobEdge |
Out-of-bag分类边缘 |
oobLoss |
Out-of-bag分类错误 |
oobMargin |
Out-of-bag分类利润率 |
oobPermutedPredictorImportance |
预测估计重要性的排列out-of-bag预测观测随机森林分类树 |
oobPredict |
预测out-of-bag合奏的反应 |
partialDependence |
计算部分依赖 |
plotPartialDependence |
创建部分依赖图(PDP)和个人条件期望(ICE)情节 |
预测 |
观察使用的分类模型进行分类 |
predictorImportance |
估计预测决策树分类合奏的重要性 |
removeLearners |
删除成员紧凑的分类 |
resubEdge |
分类边缘resubstitution |
resubLoss |
由resubstitution分类错误 |
resubMargin |
分类利润resubstitution |
resubPredict |
观测的系综分类模型进行分类 |
的简历 |
恢复训练合奏 |
沙普利 |
沙普利值 |
testckfold |
比较两种分类模型的精度重复交叉验证 |
价值。学习如何价值类影响复制操作,明白了复制对象。
袋装的分类树,训练有素的
的属性实体
存储单元向量的ens.NumTrained
CompactClassificationTree
模型对象。文本或图形显示的树t
在细胞中向量,输入
视图(ens.Trained {t})