분류앙상블

다중클래스학습을위한부스팅，랜덤포레스트，배깅，랜덤부분공간，ecoc앙상블

분류앙상블은여러분류모델의가중조합으로구성된예측모델입니다。일반적으로，여러분류모델을조합하면예측성능이높아집니다。

분류앙상블을대화형방식으로살펴보려면분류학습기앱을사용하십시오。명령줄터페이스에서fitcensemble을사용하여분류트리를부스팅또는배깅하거나랜덤포레스트[12]를성장시켜유연성을높일수있습니다。지원되는모든앙상블에대한자세한내용은整体算法항목을참조하십시오。다중클래스문제를이진분류문제앙상블로줄이려면오류수정출력코드(ECOC)모델을훈련시키십시오。자세한내용은fitcecoc를참조하십시오。

LSBoost를사용하여회귀트리를부스팅하거나회귀트리의랜덤포레스트[12]를성장시키려면회귀앙상블을참조하십시오。

앱

분류학습기

머신러닝지도학습을사용하여데이터를분류하도록모델훈련시키기

블록

ClassificationEnsemble预测

使用决策树集合对观测进行分类

함수

모두 확장

학습기템플릿만들기

`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

분류앙상블

분류앙상블만들기

`fitcensemble`	适合分类的学习者集合
`紧凑的`	紧凑分类系统

분류앙상블수정하기

`重新开始`	简历培训套装
`removeLearners`	删除紧凑分类集成的成员

분류앙상블해석하기

`石灰`	局部可解释模型不可知解释(LIME)
`partialDependence`	计算部分依赖关系
`plotPartialDependence`	创建部分依赖图(PDP)和个别条件期望图(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

분류앙상블교차검하기

`crossval`	旨在合奏
`kfoldEdge`	交叉验证分类模型的分类边
`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边际
`kfoldPredict`	在交叉验证的分类模型中对观测数据进行分类
`kfoldfun`	分类的交叉验证功能

성능측정하기

`损失`	分类错误
`resubLoss`	再置换导致的分类错误
`compareHoldout`	比较使用新数据的两种分类模型的准确性
`边缘`	分类的优势
`保证金`	分类的利润率
`resubEdge`	通过置换分类边缘
`resubMargin`	再置换分类边际
`testckfold`	通过重复交叉验证比较两种分类模型的准确性

관측값분류하기

`预测`	使用分类模型集成对观测数据进行分类
`resubPredict`	在分类模型集合中对观测数据进行分类
`oobPredict`	预测整体的袋外反应

분류앙상블의속성수집하기

`收集`	收集属性统计和机器学习工具箱来自GPU的对象

배깅분류트리

`fitcensemble`	适合分类的学习者集合
`TreeBagger`	배깅결정트리의앙상블
`预测`	使用袋装决策树的集合预测响应
`oobPredict`	袋外观测的集合预测

다중클래스ecoc

Ecoc만들기

`fitcecoc`	서포트벡터머신또는다른분류기에대해다중클래스모델피팅하기
`紧凑的`	减少多类纠错输出码(ECOC)模型的尺寸

Ecoc수정하기

discard万博1manbetxSupportVectors ECOC模型舍弃万博1manbetx线性SVM二元学习器的支持向量

Ecoc해석하기

`石灰`	局部可解释模型不可知解释(LIME)
`partialDependence`	计算部分依赖关系
`plotPartialDependence`	创建部分依赖图(PDP)和个别条件期望图(ICE)
`沙普利`	沙普利值

Ecoc교차검하기

`crossval`	交叉验证多类纠错输出代码(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模型的分类边际
`kfoldPredict`	在交叉验证的ECOC模型中对观测数据进行分类
`kfoldfun`	使用交叉验证ECOC模型的交叉验证函数

성능측정하기

`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`	比较使用新数据的两种分类模型的准确性
`边缘`	多类纠错输出码(ECOC)模型的分类边
`保证金`	多类纠错输出码(ECOC)模型的分类裕度
`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)模型的重代分类边缘
`testckfold`	通过重复交叉验证比较两种分类模型的准确性

관측값분류하기

`预测`	利用多类纠错输出码(ECOC)模型对观测数据进行分类
`resubPredict`	多类纠错输出码(ECOC)模型中的观测数据分类

Ecoc의속성수집하기

`收集`	收集属性统计和机器学习工具箱来自GPU的对象

클래스

모두 확장

분류앙상블

`ClassificationEnsemble`	集成分类器
`CompactClassificationEnsemble`	紧凑分类集成类
`ClassificationPartitionedEnsemble`	交叉验证分类集成

배깅분류트리

`TreeBagger`	배깅결정트리의앙상블
`CompactTreeBagger`	袋装决策树的紧凑集合
`ClassificationBaggedEnsemble`	通过重采样得到分类集合

다중클래스ecoc

`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`	交叉验证多类ECOC模型支持向量机(svm)和其他分类器万博1manbetx

도움말항목

使用分类学习应用程序训练集成分类器
创建和比较集成分类器，并导出训练过的模型，以对新数据进行预测。
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。
列车分类汇编
训练一个简单的分类集合。
测试集成质量
学习评估集成的预测质量的方法。
处理分类集合中的不平衡数据或不平等错误分类代价
学习如何设置先验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过度表示时，使用RUSBoost算法进行分类。
LPBoost和TotalBoost用于小型合奏
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
优化RobustBoost参数以获得更好的预测精度。(RobustBoost需要优化工具箱。)
代理分裂
当你有缺失的数据时，通过使用代理分割获得更好的预测。
并行列车分类集成
可重复地平行训练装袋套装。
使用TreeBagger的分类树的Bootstrap聚合(Bagging)
创建一个TreeBagger用于分类的集成。
通过装袋决策树进行信用评级
这个例子展示了如何构建一个自动化的信用评级工具。
随机子空间分类
通过使用随机子空间集合来提高分类的准确性。
使用ClassificationEnsemble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预测块，用于标签预测。