ClassificationBaggedEnsemble

包裹：classreg.learning.classif
超类：ClassificationEnsemble

通过重采样生长的分类集成

全部展开页面

描述

ClassificationBaggedEnsemble将一组经过训练的弱学习者模型和训练这些学习者的数据结合起来。它可以通过聚合来自弱学习者的预测来预测对新数据的整体反应。

建设

使用。创建一个袋装分类集成对象fitcensemble.设置名称-值对参数“方法”的fitcensemble来“包”使用引导聚合(例如，套袋，随机森林)。

属性

`BinEdges`	数值预测器的箱边，指定为P数值向量,P是预测值的数量。每个向量包括数值预测器的箱边。分类预测器单元格数组中的元素为空，因为软件不存储分类预测器。仅当您指定`“NumBins”`当使用树学习器训练模型时，将名称-值参数作为正整数标量。这个`BinEdges`属性为空`“NumBins”`值为空（默认值）。您可以复制被分类的预测器数据`Xbinned`通过使用`BinEdges`训练模型的性质`mdl`． X = mdl.X;%预测数据Xbinned = 0 (size(X));边缘= mdl.BinEdges;找到被分类的预测器的指数。idxNumeric =找到(~ cellfun (@isempty边缘));if iscolumn(idxNumeric) idxNumeric = idxNumeric';end for j = idxNumeric x = x (:，j);%如果x是一个表，则将x转换为数组。If istable(x) x = table2array(x);将x组到bin中`离散化`函数。xbinned =离散化(x,[无穷;边缘{};正]);Xbinned (:, j) = Xbinned;结束 `Xbinned`包含用于数字预测器的容器索引，范围从1到容器数量。`Xbinned`分类预测值的值为0。如果`X`包含`楠`S，然后对应的`Xbinned`价值观是`楠`年代。
`CategoricalPredictors`	分类预测指标，指定为一个正整数向量。`CategoricalPredictors`包含指示对应的预测器是分类的索引值。索引值在1到之间`P`,在那里`P`为用于训练模型的预测器数量。如果没有任何预测器是绝对的，则此属性为空(`［］`).
`类名`	中的元素列表`Y`删除重复的。`类名`可以是数字向量、类别向量、逻辑向量、字符数组或字符向量的单元格数组。`类名`是否与参数中的数据具有相同的数据类型`Y`．（软件将字符串数组视为字符向量的单元数组。）
`CombineWeights`	描述如何`恩斯`也可以结合弱学习者权重`“WeightedSum”`或`“WeightedAverage”`．
`ExpandedPredictorNames`	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，那么`ExpandedPredictorNames`包括描述扩展变量的名称。否则,`ExpandedPredictorNames`与`PredictorNames`．
`FitInfo`	拟合信息的数字数组。这个`FitInfoDescription`属性描述此数组的内容。
`FitInfoDescription`	字符向量描述的含义`FitInfo`大堆
`弗雷森姆`	数字之间的标量`0`和`1.`．`弗雷森姆`是训练数据的分数`fitcensemble`在构建集成时，对每一个弱学习器进行随机重采样。
`超参数优化结果`	超参数的交叉验证优化描述，存储为`BayesianOptimization`对象或超参数和关联值的表。当`OptimizeHyperparameters`名称-值对在创建时是非空的。的设置`HyperparameterOptimizationOptions`创建时的名称-值对： `“bayesopt”`（默认）-类的对象`BayesianOptimization` `“网格搜索”`或`“randomsearch”`-使用的超参数表，观测到的目标函数值(交叉验证损失)，以及观测值从最低(最好)到最高(最差)的排序
`方法`	描述创建方法的字符向量`恩斯`．
`模型参数`	训练参数`恩斯`．
`NumTrained`	受过训练的弱学习者的数量`恩斯`一个标量。
`PredictorNames`	预测器变量的名称单元格数组，按它们出现的顺序排列`X`．
`ReasonForTermination`	描述原因的字符向量`fitcensemble`停止在合奏中加入弱者。
`取代`	逻辑值，指示集合是否经过替换训练(`真正的`)还是不更换(`错误的`).
`反应胺`	带有响应变量名称的字符向量`Y`．
`ScoreTransform`	用于转换分数的函数句柄，或表示内置转换函数的字符向量。`“没有”`表示没有转换；等价地，`“没有”`意味着`@（x） x`．有关内置转换函数的列表和自定义转换函数的语法，请参见`菲茨特里`．添加或更改`ScoreTransform`函数使用点表示法: ens.ScoreTransform = '函数' 或 ens.ScoreTransform = @函数
`训练有素的`	经过培训的学习者，一组紧凑的分类模型。
`训练重量`	网络中弱学习者训练权重的数值向量`恩斯`．`训练重量`有`T`元素,`T`弱学习者的人数在多少`学习者`．
`UseObsForLearner`	大小逻辑矩阵`N`——- - - - - -`NumTrained`,在那里`N`是训练数据中的观察数，以及`NumTrained`是经过培训的弱势学习者的数量。`用于学习者（I，J）`是`真正的`如果观察`我`用于培训学员`J`,是`错误的`否则
`W`	按比例缩小的`权重`，一个有长度的向量`N`，行数`X`．元素的和`W`是`1.`．
`X`	训练集合的预测值矩阵或表。每一列的`X`表示一个变量，每行表示一个观察值。
`Y`	具有相同行数的类别数组、字符向量单元格数组、字符数组、逻辑向量或数字向量`X`.每行`Y`的对应行的分类`X`．

目标函数

`紧凑的`	紧凑分类集成
`比较控股`	使用新数据比较两个分类模型的准确性
`克罗斯瓦尔`	旨在合奏
`边缘`	分类的优势
`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
`oobEdge`	Out-of-bag分类边缘
`oobLoss`	出袋分类错误
`oobMargin`	袋外分类边距
`面向对象编程的重要性`	分类树的随机森林的预测重要度由袋外预测观察的排列估计
`oobPredict`	预测总体的包外响应
`部分依赖`	计算部分依赖
`plotPartialDependence`	创建部分依赖图（PDP）和单个条件期望图（ICE）
`预测`	使用分类模型的集合对观测结果进行分类
`预测重要性`	决策树分类集成中预测器重要性的估计
`removeLearners`	移除紧凑分类集成的成员
`再沉积`	通过重新替换对边缘进行分类
`恢复`	重新替换导致的分类错误
`resubMargin`	通过重新替换的分类边距
`再预测`	在分类模型集合中对观察进行分类
`简历`	恢复训练合奏
`夏普利`	沙普利值
`testckfold`	通过重复交叉验证比较两种分类模型的准确率

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

全部崩溃

训练袋装分类树集合

打开生活的脚本

加载电离层数据集。

负载电离层

你可以用所有的测量方法训练100棵分类树。

Mdl = fitcensemble (X, Y,“方法”,“包”)

fitcensemble使用默认的模板树对象templateTree ()作为一个弱的学习者“方法”是“包”．在本例中，为了再现性，请指定“重现”,真的当你创建一个树模板对象，然后使用对象作为弱学习器。

rng (“默认”)%的再现性t=模板树(“复制”,真正的);%随机预测选择的再现性Mdl = fitcensemble (X, Y,“方法”,“包”,“学习者”, t)

Mdl=ClassificationBaggedAssemble ResponseName:'Y'分类预测值：[]类名：{'b''g'}ScoreTransform:'none'NumBrained:100方法：'Bag'LearnerNames:{'Tree'}ReasonForTermination:'在完成请求的训练周期数后正常终止。'FitInfo:[]FitInfoDescription:“无”F示例：1替换：1 UseObsForLearner:[351x100逻辑]属性、方法

Mdl是一个ClassificationBaggedEnsemble模型对象。

Mdl.训练有素是存储经过训练的分类树的100×1单元向量的属性(CompactClassificationTree组成集合的模型对象。

绘制第一个训练的分类树的图。

视图（Mdl.Trained{1}，“模式”,“图”)

图分类树查看器包含一个轴对象和其他类型的uimenu, uicontrol对象。axis对象包含60个类型为line, text的对象。

默认情况下,fitcensemble为袋装组合生长深决策树。

估计样本内误分类率。

L = resubLoss (Mdl)

L = 0

L是0，表示什么Mdl非常擅长对训练数据进行分类。

提示

对于一个袋装分类树的集合，训练有素的性质恩斯存储的细胞载体ens.NumTrainedCompactClassificationTree模型对象。用于树的文本或图形显示T在细胞载体中，输入

视图(实体。训练有素的{T}）

扩展功能

C / c++代码生成
使用Matlab®编码器生成C和C++代码™.

使用注意事项及限制:

这个预测函数支持代码生成。金宝app
将集合预测集成到Simulink中金宝app^®，你可以使用ClassificationEnsemble预测块在统计和机器学习工具箱™库或MATLAB^®函数块预测函数。
当你通过使用fitcensemble，集成中使用的弱学习者的代码生成限制也适用于集成。有关更多详细信息，请参阅CompactClassificationDiscriminant和CompactClassificationTree．
对于定点代码生成，必须使用树学习器训练集成。