预测

使用分类模型的集体分类观察

展开所有页面

句法

标签=预测(Mdl X)

标签=预测（MDL，x，名称，值）

[标签，分数] =预测（___）

描述

标签=预测(MDL.那X）返回表或矩阵中的预测器数据的预测类标签的向量X，基于完整或紧凑的训练有素的分类集合MDL.。

标签=预测(MDL.那X那名称，价值）使用一个或多个指定的其他选项名称，价值对参数。

[标签那得分) =预测(___）还返回分类矩阵得分（得分)，指示标签来自特定类的可能性，使用前面语法中的任何输入参数。对于每一个观察X，预测类标签对应于所有类中的最大分数。

输入参数

MDL.

由此创建的分类集合fitcensemble.或者一个由紧凑的。

X

对预测器数据进行分类，指定为数字矩阵或表格。

每一排X对应一个观察结果，每一列对应一个变量。

对于数字矩阵：
- 构成列的变量X必须具有与培训的预测变量相同的顺序MDL.。
- 如果你训练有素MDL.使用表格（例如，资源描述），然后X可以是一个数字矩阵资源描述包含所有数字预测变量。治疗数字预测器资源描述作为分类训练期间，识别分类预测器使用CategoricalPredictors名称 - 值对参数fitcensemble.。如果资源描述包含异构的预测变量（例如，数字和分类数据类型）和X是一个数字矩阵，然后预测抛出错误。
一个表:
- 预测不支持字符向量的单万博1manbetx元格阵列以外的多列变量或单元格阵列。
- 如果你训练有素MDL.使用表格（例如，资源描述)，然后输入所有预测变量X必须具有相同的变量名称，并且与培训的数据类型相同MDL.(存储在mdl.predictornames.）.但是，列的顺序X不需要对应于列顺序资源描述。资源描述和X可以包含其他变量（响应变量，观察权重等），但是预测忽略它们。
- 如果你训练有素MDL.使用数字矩阵，然后是预测器名称mdl.predictornames.和相应的预测变量名称X必须是一样的。要在培训期间指定预测器名称，请参阅PredictorNames名称 - 值对参数fitcensemble.。所有预测因子变量X必须是数字向量。X可以包含其他变量（响应变量，观察权重等），但是预测忽略它们。

名称值对参数

指定可选的逗号分离对名称，价值参数。名称是参数名称和价值是相应的价值。名称必须出现在引号内。您可以以任何顺序指定多个名称和值对参数Name1, Value1,…,的家。

'学习者'

弱学习者的指数预测用于计算响应，数字矢量。

默认：1：T.，在哪里T.是弱者的数量MDL.

'fumerobsforlearner'

大小的逻辑矩阵N.——- - - - - -T.，在哪里：

N.行数是多少X。
T.是弱者的数量MDL.。

当Useobsforlearner（i，j）是真的，学习者j用于预测行的类一世的X。

默认：真（n，t）

输出参数

`标签`	分类标签矢量。`标签`具有与培训中使用的标签相同的数据类型`MDL.`。（该软件将字符串数组视为字符向量的单元格阵列。）
`得分`	每个观察一行的矩阵和每类一列。对于每个观察和每个类，分数代表了观察源自该课程的信心。更高的分数表示更高的置信度。有关更多信息，请参阅分数（合奏）。

例子

展开全部

使用分类集合预测类标签

打开直播脚本

装载Fisher的Iris数据集。确定样本大小。

加载渔民n =尺寸（meas，1）;

将数据划分为训练集和测试集。保留10%的数据进行测试。

rng (1);%的再现性cvp = cvpartition（n，'坚持'，0.1）;Idxtrn =培训（CVP）;％培训设置指数iDxtest =测试（CVP）;％测试集指数

将训练数据存储在一个表中。

tbltrn = Array2table（Meas（idxtrn，:)）;tbltrn.y =物种（Idxtrn）;

使用Adaboostm2和培训集培训分类集合。将树桩指定为弱学习者。

t = templatetree（“MaxNumSplits”，1）;mdl = fitcensemble（tbltrn，'是'那'方法'那'adaboostm2'那'学习者'，t）;

预测测试集的标签。您使用数据表培训了模型，但您可以使用矩阵预测标签。

标签=预测（MDL，MEAS（IDXTEST，:)）;

构建测试集的混淆矩阵。

ConfusionChart（物种（iDxtest），标签）

图包含了一个混淆矩阵图类型的对象。

MDL.将一个versicolor虹膜剥离为试验集中的virginica。

替代功能

万博1manbetx仿真软件块

将Ensemble的预测集成到Simulink中万博1manbetx^®，你可以使用分类素质预测块中的统计和机器学习工具箱™库或MATLAB^®功能块预测函数。有关示例,请参见使用分类usemble预测块预测类标签和用MATLAB函数块预测类标签。

在确定使用哪种方法时，请考虑以下内容：

如果使用“统计和机器学习工具箱”库块，则可以使用固定点工具(定点设计师)将浮点模型转换为固定点。
万博1manbetx变量的MATLAB函数块必须支持可变大小的数组预测函数。
如果使用MATLAB功能块，则可以使用MATLAB函数在同一MATLAB功能块中的预处理之前或之后的预处理或后处理。

扩展能力

高阵列
使用比内存更多的阵列计算更多行的阵列。

此功能完全支持高阵列。万博1manbetx有关更多信息，请参阅高阵列。

C / C ++代码生成
使用MATLAB®Coder™生成C和C ++代码。

使用说明和限制：

用Savelarnerforcoder.那loadlearnerforcoder.，和Codegen.（MATLAB编码器）为此生成代码预测函数。使用培训模型Savelarnerforcoder.。定义通过使用加载保存的模型的入口点函数loadlearnerforcoder.并调用预测函数。然后使用Codegen.为入口点函数生成代码。
要为predict生成单精度C/ c++代码，请指定name-value参数'dataType'，'single'当你打电话的时候loadlearnerforcoder.函数。
您还可以生成固定点C / C ++代码预测。固定点代码生成需要一个附加步骤，该步骤定义预测所需的变量的定点数据类型。通过使用通过使用固定点数据类型结构数据类型功能由generatelearnerdatatypefcn.，并使用该结构作为输入参数loadlearnerforcoder.在一个入学点函数中。生成固定点C / C ++代码需要Matlab Coder™和固定点设计器™。
生成固定点代码预测包括传播各个学习者的数据类型，因此可能会耗时。

此表包含有关参数的说明预测。未包含在此表中的参数完全支持。万博1manbetx

论点	笔记和局限性
`MDL.`	有关模型对象的使用说明和限制，请参阅代码生成的`CompactClassificationseMble`目的。
`X`	对于一般代码生成，`X`必须是单精度或双精度矩阵或包含数字变量，分类变量或两者的表。对于定点代码生成，`X`必须是一个定点矩阵。行数或观察的数量`X`可以是可变大小的，但列数在`X`必须固定。如果你想指定`X`作为表格，那么必须使用表培训您的模型，并且您的预测的入口点函数必须：接受数据作为阵列。根据数据输入参数创建一个表，并在表中指定变量名。把桌子传递给`预测`。有关此表工作流的示例，请参阅生成代码以在表中对数据进行分类。有关在代码生成中使用表的详细信息，请参阅表格的代码（MATLAB编码器）和代码生成的表限制（MATLAB编码器）。
名称值对参数	名称值对参数中的名称必须是编译时常量。例如，允许在生成的代码中允许最多5位弱学习者的用户定义索引，包括`{编码器.Constant（'Leakyers'），Coder.typeof（0，[1,5]，[0,1]）}`在`- args.`的价值`Codegen.`（MATLAB编码器）。
`'学习者'`	对于固定点代码生成，`'学习者'`Value的数据类型必须为整数。