基于袋装分类树的手写体识别

本例展示了如何使用袋装分类树的集合识别手写数字。手写数字图像首先用于训练单个分类树，然后是200个决策树的集合。使用混淆矩阵将每个分类树的分类性能相互比较。

负载训练和测试数据

有关获取数据集的信息，请参见参考资料部分。

净负荷(“usps_all”); reduce_dim=false；X=双（重塑（数据，25611000）”；ylabel=[1:90]；y=重塑（repmat（ylabel，1100,1），11000,1）；clearvars数据

可视化六个随机手写样本

图（1）对于ii=1:6子地块（2,3,ii）rand_num=randperm（11000,1）；图像（重塑（X（rand_num，：），16,16））标题（（y（rand_num）），“字体大小”，20）轴关终止颜色表灰色

将数据随机划分为训练集和验证集

cv=cv（y，“坚持”Xtrain=X（cv.training，：）；Ytrain=y（cv.training，1）；Xtest=X（cv.test，：）；Ytest=y（cv.test，1）；

使用单个分类树进行训练和预测

mdl\u ctree=ClassificationTree.fit（Xtrain，Ytrain）；ypred=predict（mdl\u ctree，Xtest）；Confmat\u ctree=confusionmat（Ytest，ypred）；

使用袋装决策树进行训练和预测

mdl=fitensemble（Xtrain、Ytrain、，“包”,200,“树”,“类型”,“分类”); ypred=预测（mdl，Xtest）；Confmat_bag=混淆材料（Ytest，ypred）；

比较混淆矩阵

图，热图（Confmat_ctree，0:9，0:9，1，“彩色地图”,“红色”,“ShowAllTicks”1.“UseLogColorMap”符合事实的“色条”，对）；头衔(“混淆矩阵：单一分类树”)图，热图（Confmat_袋，0:9，0:9，1，“彩色地图”,“红色”,“ShowAllTicks”1.“UseLogColorMap”符合事实的“色条”，对）；头衔(“混淆矩阵：袋装分类树的集合”)

袋装分类树在训练集上的性能比单个分类树好得多，因为混淆矩阵主要是对角的。

使用生成的可视化可定制的热图.

参考和许可

图像的MAT文件位于在这里.