火车分类合奏

的分类树集成电离层数据集，并使用它来预测分类的雷达回报与平均测量。

加载电离层数据集。

负载电离层

训练分类集合。对于二元分类问题，fitcensemble使用LogitBoost聚合100个分类树。

Mdl = fitcensemble (X, Y)

Mdl = ClassificationEnsemble ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' ' 'g'} ScoreTransform: 'none' NumObservations: 351 NumTrained: 100 Method: 'LogitBoost' LearnerNames: {'Tree'} ReasonForTermination: '在完成请求的训练周期数后正常终止。'FitInfo描述:{2x1 cell}属性，方法

Mdl是一个ClassificationEnsemble模型。

绘制集合中第一个训练的分类树的图。

视图(Mdl.Trained {1} .CompactRegressionLearner,“模式”，“图”）;

默认情况下,fitcensemble为增强算法生长浅树。可以通过传递树模板对象来改变树的深度fitcensemble．有关详细信息，请参见templateTree．

用平均预测器测量来预测雷达返回的质量。

标签=预测(Mdl,意味着(X))

标签=1 x1单元阵列{' g '}

另请参阅

fitcensemble|预测

相关的话题

• 火车回归合奏
• 选择随机森林的预测器
• 决策树
• 整体算法
• 集成学习框架