ClassificationBaggedEnsemble

包:classreg.learning.classif
超类:ClassificationEnsemble

分类总体增长了重采样

描述

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。

建设

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)。

属性

`BinEdges`	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`“NumBins”`名称-值参数作为一个正整数标量当训练学习者模型树。的`BinEdges`属性是空的,如果`“NumBins”`值是空的(默认)。你可以复制被预测数据`Xbinned`通过使用`BinEdges`训练模型的属性`mdl`。 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`离散化`函数。xbinned =离散化(x,[无穷;边缘{};正]);Xbinned (:, j) = Xbinned;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。
`CategoricalPredictors`	分类预测指标,指定为一个向量的正整数。`CategoricalPredictors`包含索引值表明相应的预测分类。索引值介于1和`p`,在那里`p`预测的数量被用来训练模型。如果所有的预测都直言,那么这个属性是空的(`[]`)。
`一会`	元素的列表`Y`删除重复的。`一会`可以是一个数值向量,分类向量、逻辑向量,字符数组或单元阵列特征向量。`一会`具有相同的数据类型作为数据的论点吗`Y`。(软件对字符串数组作为细胞阵列特征向量)。
`CombineWeights`	特征向量描述如何`实体`结合弱学习者权重`“WeightedSum”`或`“WeightedAverage”`。
`ExpandedPredictorNames`	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`ExpandedPredictorNames`包括名称,描述变量扩展。否则,`ExpandedPredictorNames`是一样的`PredictorNames`。
`FitInfo`	数字健康信息的数组。的`FitInfoDescription`属性描述这个数组的内容。
`FitInfoDescription`	特征向量描述的意义`FitInfo`数组中。
`FResample`	数字之间的标量`0`和`1`。`FResample`是培训的一部分数据`fitcensemble`随机重新取样,每弱学习者构建合奏。
`HyperparameterOptimizationResults`	描述hyperparameters交叉验证优化的存储为一个`BayesianOptimization`对象或一个表hyperparameters和相关联的值。非空的时`OptimizeHyperparameters`名称-值对非空的创造。价值取决于的设置`HyperparameterOptimizationOptions`名称-值对在创建: `“bayesopt”`(默认)——对象的类`BayesianOptimization` `“gridsearch”`或`“randomsearch”`——hyperparameters表使用,观察目标函数值(交叉验证损失)和从最低(最好的)最高等级的观察(坏的)
`方法`	特征向量描述的方法创建`实体`。
`ModelParameters`	在培训中使用的参数`实体`。
`NumTrained`	的训练薄弱的学习者`实体`一个标量。
`PredictorNames`	单元阵列为预测变量的名称,在它们出现的顺序`X`。
`ReasonForTermination`	特征向量描述的原因`fitcensemble`停止增加弱学习者合奏。
`取代`	逻辑值指示如果合奏训练替代(`真正的`不重复)或(`假`)。
`ResponseName`	特征向量与响应变量的名称`Y`。
`ScoreTransform`	函数处理转变分数,或字符向量代表一个内置的变换函数。`“没有”`意味着没有转换;同样,`“没有”`意味着`@ x (x)`。的内置转换函数和自定义的语法转换函数,看看`fitctree`。添加或更改`ScoreTransform`函数使用点符号: ens.ScoreTransform = '函数” 或 ens.ScoreTransform = @函数
`训练有素的`	训练学习者,紧凑的分类模型的单元阵列。
`TrainedWeights`	数字矢量弱学习者的训练重量`实体`。`TrainedWeights`有`T`元素,`T`弱的学习者的数量吗`学习者`。
`UseObsForLearner`	逻辑矩阵的大小`N`——- - - - - -`NumTrained`,在那里`N`是在训练数据和观测的数量`NumTrained`是训练有素的弱的学习者。`UseObsForLearner (I, J)`是`真正的`如果观察`我`用于培训学习者`J`,是`假`否则。
`W`	按比例缩小的`权重`,一个向量的长度`n`的行数`X`。的元素的总和`W`是`1`。
`X`	矩阵或预测表值,训练有素的合奏。每一列的`X`代表一个变量,每一行代表一个观察。
`Y`	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`X`。每一行的`Y`代表的分类对应的行`X`。

对象的功能

`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

复制语义

价值。学习如何价值类影响复制操作,明白了复制对象。

例子

全部折叠

火车袋装分类树的合奏

打开生活的脚本

加载电离层数据集。

负载电离层

你可以训练100分类树的袋装合奏使用所有测量。

Mdl = fitcensemble (X, Y,“方法”,“包”)

fitcensemble使用默认模板树对象templateTree ()作为一个学习者当疲软“方法”是“包”。在这个例子中,对于再现性,指定“重现”,真的当您创建一个树模板对象,然后使用对象作为弱的学习者。

rng (“默认”)%的再现性t = templateTree (“复制”,真正的);% reproducibiliy随机预测的选择Mdl = fitcensemble (X, Y,“方法”,“包”,“学习者”,t)

Mdl = ClassificationBaggedEnsemble ResponseName:‘Y’CategoricalPredictors:[]类名:{b ' g '} ScoreTransform:“没有一个”NumObservations: 351 NumTrained: 100方法:“袋子”LearnerNames:{‘树’}ReasonForTermination:“终止通常在完成请求的数量的训练周期。“FitInfo: [] FitInfoDescription:”没有“FResample: 1替换:1 UseObsForLearner: [351 x100逻辑]属性,方法

Mdl是一个ClassificationBaggedEnsemble模型对象。

Mdl.Trained是商店的财产100 - 1细胞向量训练分类树(CompactClassificationTree模型对象)组成。

画一个图的第一个训练有素的分类树。

视图(Mdl.Trained {1},“模式”,“图”)

图分类树查看器包含一个坐标轴对象和其他对象类型uimenu uicontrol。坐标轴对象包含60线类型的对象,文本。

默认情况下,fitcensemble长深袋装集合体的决策树。

估计样本的误分类率。

L = resubLoss (Mdl)

L = 0

l是0,这表明Mdl是完美的在训练数据分类。

提示

袋装的分类树,训练有素的的属性实体存储单元向量的ens.NumTrainedCompactClassificationTree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})

扩展功能

C / c++代码生成
生成C和c++代码使用MATLAB®编码器™。

使用笔记和限制:

的预测函数支持代码生成。万博1manbetx
合奏的集成预测模型万博1manbetx^®,你可以使用ClassificationEnsemble预测块的统计和机器学习的图书馆或MATLAB工具箱™^®功能块的预测函数。
当你训练一用fitcensemble代码生成的局限性,弱学习者用于合奏也适用于合奏。更多细节,请参见代码生成的部分CompactClassificationDiscriminant和CompactClassificationTree。
对于定点生成代码,您必须训练使用树一个学习者。