主要内容
紧凑的
决策树的紧凑集成
描述
CMdl=紧凑(Mdl）Mdl,一个TreeBagger模型对象。你可以用CMdl就像你可以用的那样Mdl．然而,由于CMdl如果不包含训练数据，则无法执行某些操作，例如使用oobPredict．
输入参数
|
创建的回归集成 |
输出参数
|
一个紧凑的回归集合。 |
例子
减少树袋的尺寸
创建一个紧凑的树袋，有效地对新数据进行预测。
加载电离层数据集。
负载电离层
训练一袋100棵分类树使用所有的测量和AdaBoostM1方法。
Mdl = TreeBagger (100 X, Y,“方法”，“分类”）
Mdl = TreeBagger合奏与100袋装决策树:训练X: [351 x34]培训Y: [351 x1)方法:分类NumPredictors: 34 NumPredictorsToSample: 6 MinLeafSize: 1 InBagFraction: 1 SampleWithReplacement: 1 ComputeOOBPrediction: 0 ComputeOOBPredictorImportance: 0距离:[]一会:“b”“g”属性,方法
Mdl是一个TreeBagger模型对象，其中包含训练数据。
创建一个紧凑的版本Mdl．
CMdl =紧凑(Mdl)
CMdl = CompactTreeBagger集合与100袋决策树:方法:分类NumPredictors: 34 ClassNames: 'b' ' 'g'属性，方法
CMdl是一个CompactTreeBagger模型对象。CMdl几乎一样吗Mdl．一个例外是它不存储训练数据。
比较所消耗的空间量Mdl和CMdl．
mdlInfo =谁(“Mdl”）;cMdlInfo =谁(“CMdl”）;[mdlInfo。字节cMdlInfo.bytes]
ans =1×21115742 976936
Mdl比CMdl．
CMdl。树储存经过训练的分类树(CompactClassificationTree模型对象)Mdl．
在紧凑模型中显示第一棵树的图。
视图(CMdl。{1},“模式”，“图”）;
默认情况下,TreeBagger深树生长。
预测的平均值的标签X使用紧凑的集成。
predMeanX =预测(CMdl,意味着(X))
predMeanX =1 x1单元阵列{' g '}
你也可以从以下列表中选择一个网站:
