ClassificationEnsemble

包裹：classreg.learning.classif.
超类：CompactClassificationEnsemble

集成分类器

展开所有页面

描述

ClassificationEnsemble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。它存储用于训练的数据，可以计算重新替换预测，如果需要，还可以恢复训练。

建造

使用创建分类集成对象fitcensemble.．

特性

`BinEdges`	数值预测器的箱边，指定为P数字向量，在哪里P是预测值的数量。每个向量包括数值预测器的箱边。分类预测器单元格数组中的元素为空，因为软件不存储分类预测器。仅当您指定`'numbins'`名称 - 值参数作为带有树学习者培训模型时的正整数标量。这个`BinEdges`房产是空的`'numbins'`值为空（默认值）。您可以重现Binned Predictor数据`Xbinned`通过使用`BinEdges`训练模型的性质`mdl`． 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`离散化`作用xbinned =离散化（x，[ - inf;边缘{j}; inf]）;Xbinned（：，j）= xbinned;结尾 `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`分类预测值的值为0。如果`X`包含`楠`s，然后相应的`Xbinned`价值观是`楠`s。
`CategoricalPredictors`	分类预测索引指定为正整数的向量。`CategoricalPredictors`包含指示相应预测器是分类的索引值。索引值在1之间`P`，在哪里`P`为用于训练模型的预测器数量。如果没有任何预测器是绝对的，则此属性为空(`［］`).
`类名`	中的元素列表`Y`删除了重复项。`类名`可以是数字向量、类别向量、逻辑向量、字符数组或字符向量的单元格数组。`类名`是否与参数中的数据具有相同的数据类型`Y`．（软件将字符串数组视为字符向量的单元数组。）
`联合重量`	描述如何的字符矢量`恩斯`结合弱学习权重，也可以结合`“WeightedSum”`或者`“WeightedAverage”`．
`成本`	方矩阵，在哪里`成本（i，j）`是将一个点分类为课程的成本`J`如果它真正的阶级是`我`（行对应于真实类，列对应于预测类）。的行和列的顺序`成本`对应于中类的顺序`类名`．行数和列的数量`成本`是响应中唯一类的数量。此属性是只读的。
`ExpandedPredictorNames`	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`ExpandedPredictorNames`包括描述扩展变量的名称。除此以外，`ExpandedPredictorNames`与`PredictorNames`．
`FitInfo`	拟合信息的数字数组。这个`FitInfoDescription`属性描述此数组的内容。
`FitInfoDescription`	描述向量的意义`FitInfo`大堆
`超参数优化结果`	超参数的交叉验证优化的描述，存储为a`贝叶斯偏见`对象或超参数和关联值的表。当`优化hyperParameters.`名称-值对在创建时为非空。值取决于`超参数优化选项`创建时的名称-值对： `“bayesopt”`（默认）-类的对象`贝叶斯偏见` `“网格搜索”`或者`'randomsearch'`- 使用的超参数表，观察到的目标函数值（交叉验证丢失），以及从最低（最佳）到最高（最差）的观察等级
`学习名`	具有集合中弱学习者名称的字符向量单元数组。每个学习者的名字只出现一次。例如，如果有100棵树的集合，`学习名`是`{'Tree'}`．
`方法`	描述创造方法的字符矢量`恩斯`．
`模型参数`	用于培训的参数`恩斯`．
`NumObservations`	数字标量包含培训数据中的观察次数。
`麻木`	培训的弱学习者数量`恩斯`，一个标量。
`PredictorNames`	预测器变量的名称单元格数组，按它们出现的顺序排列`X`．
`事先的`	每个类别的先验概率的数值向量。元素的顺序`事先的`对应于中类的顺序`类名`．元素的数量`事先的`是响应中唯一类的数量。此属性是只读的。
`原理`	描述原因的字符矢量`fitcensemble.`停止在合奏中加入弱者。
`反应胺`	带有响应变量名称的字符向量`Y`．
`ScoreTransform`	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。`“没有”`表示没有转换；等价地，`“没有”`意味着`@（x） x`．有关内置转换功能列表和自定义转换功能的语法，请参阅`菲茨特里`．添加或更改`ScoreTransform`函数使用点表示法: ens.ScoreTransform = '作用' 或者 ens.ScoreTransform = @作用
`训练有素`	训练分类模型的细胞矢量。如果`方法`是`“LogitBoost”`或者`“绅士之声”`然后`ClassificationEnsemble`商店训练有素的学习者`J`在`紧凑回归学习者`存储在中的对象的属性`训练有素的{J}`．也就是说，访问训练有素的学习者`J`，用`ens.tromed {J.compactregresionLearner`．否则，细胞向量的细胞包含相应的紧凑分类模型。
`训练重量`	网络中弱学习者训练权重的数值向量`恩斯`．`训练重量`已`T`元素，在哪里`T`是弱者的数量`学习者`．
`UsePredForLearner`	大小逻辑矩阵`P`——- - - - - -`麻木`，在哪里`P`是训练数据中预测值（列）的数量`X`．`UsePredForLearner (i, j)`是`符合事实的`当学习者`J`使用预测指标`我`，而且是`错误的`除此以外。对于每个学习者，预测器具有与培训数据中的列相同的顺序`X`．如果合奏不是类型`子空间`，在`UsePredForLearner`是`符合事实的`．
`W`	按比例缩小的`砝码`，一个有长度的向量`N`，行数`X`．元素的总和`W`是`1.`．
`X`	训练集合的预测值矩阵或表。每一列的`X`表示一个变量，每行表示一个观察值。
`Y`	数字向量、分类向量、逻辑向量、字符数组或字符向量的单元格数组。每行`Y`表示相应行的分类`X`．

目标函数

`紧凑的`	紧凑分类集成
`比较控股`	使用新数据比较两个分类模型的准确性
`克罗斯瓦尔`	交叉验证合奏
`边`	分类边缘
`聚集`	收集属性统计和机器学习工具箱来自GPU的对象
`石灰`	局部可解释模型不可知解释（LIME）
`损失`	分类错误
`利润`	分类的利润率
`部分依赖`	计算部分依赖
`plotPartialDependence`	创建部分依赖图（PDP）和单个条件期望图（ICE）
`预测`	使用分类模型集成对观测值进行分类
`预测重要性`	决策树分类集成中预测器重要性的估计
`再沉积`	通过重新替换对边缘进行分类
`恢复`	重新替换导致的分类错误
`resubMargin`	通过重新替换的分类边距
`再预测`	分类在分类模型的集合中的观察
`简历`	恢复训练合奏
`夏普利`	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

要了解值类如何影响复制操作，请参阅复制对象．

例子

全部崩溃

列车推进分类集成

打开实时脚本

加载电离层数据集。

负载电离层

使用所有的测量值和adaboostm1.方法。

Mdl = fitcensemble (X, Y,'方法',“AdaBoostM1”)

mdl = classificationsemble racatectename：'y'pationoricalpricictors：[] classnames：{'b'g'} scoreTransform：'none'numobservations：351 numtromed：100方法：'adaboostm1'学员：{'树'}原理：'正常终止完成所要求的培训周期后。fitinfo：[100x1 double] fitinfodescription：{2x1 cell}属性，方法

Mdl是A.ClassificationEnsemble模型对象。

Mdl.训练有素是存储经过训练的分类树的100×1单元向量的属性(CompactClassificationTree.组成集合的模型对象。

绘制第一个训练的分类树的图。

视图（Mdl.Trained{1}，“模式”,'图形')

地物分类树查看器包含轴对象和uimenu、uicontrol类型的其他对象。Axis对象包含36个类型为line、text的对象。

默认情况下,fitcensemble.为树木的增强集合增长浅树。

预测均值的标签X．

predmeanx =预测（mdl，均值（x））

predmeanx =1 x1单元阵列{' g '}

提示

对于分类树的集合训练有素性质恩斯存储一个ens.NumTrained-1 Compact分类模型的1个细胞矢量。用于树的文本或图形显示T在单元向量中，输入：

查看（ens.tromed {T}.Compact（学习者）对于使用LogitBoost或GentleBoost聚合的集成。
查看（ens.tromed {T}）对于所有其他聚合方法。

扩展能力

C / c++代码生成
使用Matlab®编码器生成C和C++代码™.

使用注意事项及限制:

这个预测函数支持代码生成。万博1manbetx
将集合预测集成到Simulink中万博1manbetx^®，你可以使用分类素质预测块在统计和机器学习工具箱™库或MATLAB^®功能块预测作用
当你通过使用fitcensemble.，集成中使用的弱学习者的代码生成限制也适用于集成。有关更多详细信息，请参阅ClassificationKnn.,CompactClassificationDiscriminant.和CompactClassificationTree.．
对于定点代码生成，必须使用树学习器训练集成。