包:classreg.learning.classif.
超类:ClassificationEnsemble
通过重采样种植的分类集合
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。
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)。
|
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 |
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 |
价值。要了解值类如何影响复制操作,请参阅复制对象.
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})