ClassificationBaggedensemble.
包:classreg.learning.classif.
超类:ClassificationEnsemble
通过重采样种植的分类集合
描述
ClassificationBaggedensemble.结合一组训练过的弱学习者模型和这些学习者训练过的数据。它可以通过聚合弱学习者的预测来预测新数据的集成响应。
建造
使用袋装分类合奏对象使用fitcensemble.．设置名称-值对参数'方法'的fitcensemble.到“包”使用Bootstrap聚合（袋装，例如随机林）。
特性
|
的单元格数组指定为数值预测器的Bin边p数字向量，在哪里p是预测器的数量。每个向量包括一个数字预测器的箱边。用于分类预测器的单元格数组中的元素为空，因为软件没有将分类预测器存储在存储单元中。 只有当您指定 您可以重现Binned Predictor数据 x = mdl.x;％predictor数据xbinned = zeros（size（x））;边缘= mdl.bineges;％查找箱预测因子的指数。idxnumeric = find（〜cellfun（@ isempty，边））;如果是iscumn（idxnumeric）idxnumeric = idxnumeric';j = idxnumeric x = x（：，j）;如果x是表，％将x转换为数组。如果是Istable（x）x = table2array（x）;结束％X通过使用X进入垃圾箱
Xbinned包含用于数字预测器的容器索引，范围从1到容器数量。Xbinned对于分类预测器，值为0。如果X包含南s，然后相应的Xbinned值是南s。 |
|
分类预测索引指定为正整数的向量。 |
|
中的元素列表 |
|
描述如何的字符矢量 |
|
扩展的预测器名称，存储为字符向量的单元格数组。 如果模型对分类变量使用编码，那么 |
|
拟合信息的数字数组。的 |
|
字符向量描述的含义 |
|
数字标量 |
|
超参数的交叉验证优化的描述，存储为a
|
|
描述创造方法的字符矢量 |
|
用于培训的参数 |
|
培训的弱学习者数量 |
|
预测器变量的名称单元格数组，按它们出现的顺序排列 |
|
描述原因的字符矢量 |
|
指示是否使用替换对集成进行训练的逻辑值( |
|
带有响应变量名称的字符向量 |
|
用于转换分数的功能手柄，或表示内置变换函数的字符矢量。 添加或更改 ens.ScoreTransform = '函数＇ 或者 ens.ScoreTransform = @函数 |
|
训练有素的学习者，一个紧凑的分类模型单元阵列。 |
|
中弱学习者训练权值的数值向量 |
|
逻辑大小矩阵 |
|
按比例缩小的 |
|
训练集合的预测值矩阵或表。每一列的 |
|
一个分类阵列，字符向量，字符阵列，逻辑向量的单元阵列，或具有相同行数的数字矢量 |
对象的功能
紧凑的 |
紧凑的系综分类 |
compareHoldout |
使用新数据比较两个分类模型的准确性 |
crossval |
交叉验证合奏 |
边缘 |
分类边缘 |
石灰 |
局部可解释的模型不可知解释(LIME) |
损失 |
分类错误 |
利润 |
分类的利润率 |
oObederge. |
袋外分类边缘 |
oobloss. |
Out-of-bag分类错误 |
oobMargin |
Out-of-bag分类利润率 |
oobPermutedPredictorImportance |
预测对袋外预测测量观测的置换的重要性估计，用于分类树的随机森林 |
Oobpredict. |
预测集合的袋子响应 |
partialDependence |
计算部分依赖 |
绘图竞争依赖性 |
创建部分依赖图(PDP)和个人条件期望图(ICE) |
预测 |
使用分类模型的集合对观测结果进行分类 |
predictorImportance |
决策树分类集成中预测器重要性的估计 |
removeLearners |
删除紧凑分类集合的成员 |
resubEdge |
边的再替换分类 |
resubLoss |
再代换造成的分类错误 |
resubMargin |
再替换的分类边缘 |
resubPredict |
分类在分类模型的集合中的观察 |
的简历 |
恢复训练合奏 |
沙普利 |
福利价值观 |
testckfold. |
通过重复的交叉验证比较两个分类模型的精度 |
复制语义
价值。要了解值类如何影响复制操作，请参阅复制对象．
例子
火车装袋分类树集合
加载电离层数据集。
负载电离层
您可以使用所有测量训练100个分类树的装袋组合。
Mdl = fitcensemble (X, Y,'方法'，“包”）
fitcensemble.使用默认模板树对象Templatetree（）作为一个弱学习者'方法'是“包”．在本例中，为了再现性，请指定'可重复'，真实创建树模板对象时，然后将对象用作弱的学习者。
rng (“默认”）%的再现性t = templateTree ('可重复'，真的）;%用于随机预测器选择的重现性Mdl = fitcensemble (X, Y,'方法'，“包”，“学习者”, t)
Mdl = ClassificationBaggedEnsemble ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' ' 'g'} ScoreTransform: 'none' NumObservations: 351 NumTrained: 100 Method: 'Bag' LearnerNames: {'Tree'} ReasonForTermination: '在完成请求的训练周期数后正常终止。'userobsforlearner: [351x100 logical]属性，方法
Mdl是A.ClassificationBaggedensemble.模型对象。
Mdl。Trained是存储经过训练的分类树的100 × 1细胞向量的属性(CompactClassificationTree.模型对象)组成集成。
绘制第一个训练的分类树的图。
视图(Mdl。训练有素的{1},“模式”，'图形'）
默认情况下,fitcensemble.为袋装套装种植深度决策树。
估计样本内误分类率。
L = resubLoss (Mdl)
l = 0.
l是0，表明这一点Mdl非常擅长对训练数据进行分类。
提示
对于一个袋装的分类树系列，训练有素的的属性实体存储的细胞载体ens.numtromed.CompactClassificationTree.模型对象。用于树的文本或图形显示t在细胞载体中，输入
查看（ens.tromed {t})
扩展能力
你也可以从以下列表中选择一个网站:
