CompactClassificationTree
包:classreg.learning.classif
紧凑分类树
描述
分类树(类的)的压缩版本ClassificationTree
).精简版不包括训练分类树的数据。因此,您不能使用紧凑的分类树执行某些任务,例如交叉验证。使用紧凑的分类树对新数据进行预测(分类)。
建设
从完整决策树构造紧凑决策树。ctree
=紧凑(树
)
输入参数
|
一种决策树 |
属性
|
分类预测指标,指定为正整数向量。 |
|
一个n-by-2单元格数组,其中 |
|
一个n中每个节点的子节点的编号 |
|
一个n——- - - - - -k中的节点的类计数 |
|
元素的列表 如果属性的值至少有一个长度维度k,然后 |
|
一个n——- - - - - -k中的节点的类概率数组 |
|
方阵,其中 |
|
一个n中分支使用的类别的-by-2单元数组
|
|
一个n-元素向量的值用作切割点
|
|
一个n元素单元格数组,表示在每个节点上的切割类型
|
|
一个n中每个节点中用于分支的变量名称的单元格数组
|
|
一个n用于分支的每个节点的变量的数值索引数组 |
|
扩展的预测器名称,存储为字符向量的单元格数组。 如果模型对分类变量使用编码,则 |
|
一个n-element逻辑向量即 |
|
一个n的每个节点中最可能的类名称的单元格数组 |
|
一个n中节点误差的-element向量 |
|
一个n-元素向量的概率的节点 |
|
一个n-树中节点风险的element向量,其中n为节点数。每个节点的风险是该节点的杂质(基尼指数或偏差)的度量,由节点概率加权。如果树是两倍增长的,每个节点的风险为零。 |
|
一个n中节点大小的-element向量 |
|
的节点数 |
|
一个n中每个节点的父节点的编号 |
|
预测变量名称的单元格数组,按它们出现的顺序排列 |
|
每个类的先验概率的数字向量。元素的顺序 |
|
数字向量,每个修剪级别有一个元素。如果修剪级别为0 ~米,然后 |
|
一个n的每个节点的剪枝级别 |
|
描述响应变量的特征向量 |
|
转换分数的函数句柄,或表示内置转换函数的字符向量。 添加或更改 ctree。ScoreTransform = '函数'或ctree。ScoreTransform = @函数 |
|
一个n用于代理分割的类别的element单元格数组 |
|
一个n用于代理分割的数值切割分配的单元格数组 |
|
一个n用于代理分割的数值的单元格数组 |
|
一个n中每个节点上的代理拆分类型的单元格数组 |
|
一个n中每个节点中用于代理分割的变量名称的单元格数组 |
|
一个n-元单元阵列的关联预测措施的代理分裂在 |
对象的功能
compareHoldout |
比较使用新数据的两种分类模型的准确性 |
边缘 |
分类的优势 |
收集 |
收集属性统计和机器学习工具箱来自GPU的对象 |
石灰 |
局部可解释模型不可知解释(LIME) |
损失 |
分类错误 |
保证金 |
分类的利润率 |
nodeVariableRange |
检索决策树节点的可变范围 |
partialDependence |
计算部分依赖关系 |
plotPartialDependence |
创建部分依赖图(PDP)和个别条件期望图(ICE) |
预测 |
使用分类树预测标签 |
predictorImportance |
分类树预测因子重要性的估计 |
沙普利 |
沙普利值 |
surrogateAssociation |
分类树中代理分割关联的平均预测测度 |
更新 |
更新用于代码生成的模型参数 |
视图 |
视图分类树 |
复制语义
价值。要了解值类如何影响复制操作,请参见复制对象.
例子
更多关于
扩展功能
版本历史
在R2011a中引入