분류앙상블
다중클래스학습을위한부스팅,랜덤포레스트,배깅,랜덤부분공간,ecoc앙상블
앱
분류학습기 | 머신러닝지도학습을사용하여데이터를분류하도록모델훈련시키기 |
블록
ClassificationEnsemble预测 | 使用决策树集合对观测进行分类 |
함수
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
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
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。
Matlab명령
다음matlab명령에해당하는링크를클릭했습니다。
명령을실행하려면matlab명령창에입력하십시오。웹브라우저는matlab명령을지원하지않습니다。
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。