主要内容

Conjuntos de Clasificación

冲动,随机栓塞,随机栓塞,随机间隙下,多分枝ECOC para el aprendizaje

Un conjunto de clasificación es Un modelo prediction computo por una combinación ponderada de varios modelos de clasificación。总的来说,la combinación de各种各样的模型clasificación aumenta el rendimiento predictivo。

Para exploration conjuntos de clasificación de forma interactiva, utiice la aplicaciónAprendiz de ClasificaciónPara una mayor flexibilidad, ulice en la interfaz de línea de comandos Para auumentar o embolsar árboles de clasificación, o Para变种un bosque aleatorio。fitcensemble[11]Para obtener más información我很清醒,我很爱你。整体算法一个简化的多类问题和一个联合的问题clasificación二元结构,一个完整的模型códigos de salida de corrección de errors (ECOC)。Para obtener más información,咨询。fitcecoc

Para aumenar los árboles de regresión mediante LSBoost o Para hacer crerecer un boque aleatorio de árboles de regresión,领事。[11]采样de regresión

应用程序

Capacitar modelos para分类数据中间商aprendizaje automático supervised ado
Aprendiz de Clasificación Capacitar modelos para分类数据中间商aprendizaje automático supervised ado

一些必要

expandir待办事项

templateDiscriminant 判别分析分类器模板
templateECOC 纠错输出码学习器模板
templateEnsemble 集成学习模板
templateKNN k-最近邻分类器模板
templateLinear 线性分类学习器模板
templateNaiveBayes 朴素贝叶斯分类器模板
templateSVM 万博1manbetx支持向量机模板
templateTree 创建决策树模板
fitcensemble 适合学习者的整体分类
预测 使用分类模型的集合对观测数据进行分类
oobPredict 预测集合的外袋响应
TreeBagger Crear bolsa de árboles de decisión
fitcensemble 适合学习者的整体分类
预测 使用袋装决策树集合预测响应
oobPredict 袋外观测的集合预测
fitcecoc Ajustar modelos multiclpara máquinas vectoriales de soporte u otros classiificadores
templateSVM 万博1manbetx支持向量机模板
预测 利用多类纠错输出码(ECOC)模型对观测数据进行分类

一堂课

expandir待办事项

ClassificationEnsemble 集成分类器
CompactClassificationEnsemble 紧凑分类集成类
ClassificationPartitionedEnsemble 交叉验证的分类集合
TreeBagger 决策树的袋子
通过引导聚合生长的决策树的紧凑集合
ClassificationBaggedEnsemble 重采样生长的分类集合
CompactTreeBagger 通过引导聚合生长的决策树的紧凑集合
ClassificationECOC 多类模型的支持向量机(svm)和其他分类器万博1manbetx
CompactClassificationECOC 支持向量机(svm)和其他分类器的紧凑多类模型万博1manbetx
ClassificationPartitionedECOC 支持向量机(svm)和其他分类器的交叉验证多类ECOC模型万博1manbetx

特马

使用分类学习者应用程序训练集成分类器

创建和比较集成分类器,并导出训练过的模型来对新数据进行预测。

集成学习框架

通过使用多个弱学习器,获得高度准确的预测。

整体算法

了解集成学习的不同算法。

列车分类系统

训练一个简单的分类集合。

测试集成质量

学习评估集成预测质量的方法。

在分类集合中处理不平衡数据或不等错误分类代价

了解如何设置优先类概率和错误分类成本。

不平衡数据分类

当一个或多个类在数据中过度表示时,使用RUSBoost算法进行分类。

LPBoost和TotalBoost用于小型集成

使用LPBoost和TotalBoost算法创建小型集成。(LPBoost和TotalBoost需要优化工具箱™。)

曲调RobustBoost

调优RobustBoost参数以获得更好的预测精度。(RobustBoost需要优化工具箱。)

代理分裂

当数据丢失时,通过使用代理分割获得更好的预测。

使用TreeBagger的分类树的引导聚合(Bagging)

创建一个TreeBagger分类集成。

随机子空间分类

通过使用随机子空间集合来提高分类的准确性。