ClassificationEnsemble

包:classreg.learning.classif
超类:CompactClassificationEnsemble

集成分类器

全部展开页面

描述

ClassificationEnsemble结合一组训练过的弱学习者模型和这些学习者训练过的数据。它可以通过聚合弱学习者的预测来预测新数据的集成响应。它存储用于训练的数据，可以计算重新替换预测，如果需要，还可以恢复训练。

建设

使用。创建分类集成对象fitcensemble．

属性

`BinEdges`	的单元格数组指定为数值预测器的Bin边p数值向量,p是预测器的数量。每个向量包括一个数字预测器的箱边。用于分类预测器的单元格数组中的元素为空，因为软件没有将分类预测器存储在存储单元中。只有当您指定`“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。的`BinEdges`属性为空`“NumBins”`值为空(默认)。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`对于分类预测器，值为0。如果`X`包含`南`S，然后对应的`Xbinned`值是`南`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(`［］`)．
`一会`	中的元素列表`Y`删除重复的。`一会`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。`一会`是否与参数中的数据具有相同的数据类型`Y`．(该软件将字符串数组视为字符向量的单元格数组。)
`CombineWeights`	描述如何`实体`也可以结合弱学习者权重`“WeightedSum”`或`“WeightedAverage”`．
`成本`	方阵,`成本(i, j)`将一个点分类的成本是多少`j`如果它真正的阶级是`我`(行对应真实的类，列对应预测的类)。的行和列的顺序`成本`中类的顺序`一会`．中的行数和列数`成本`是响应中唯一类的数量。此属性是只读的。
`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`是一样的`PredictorNames`．
`FitInfo`	拟合信息的数字数组。的`FitInfoDescription`属性描述此数组的内容。
`FitInfoDescription`	字符向量描述的含义`FitInfo`数组中。
`HyperparameterOptimizationResults`	超参数的交叉验证优化描述，存储为`BayesianOptimization`对象或包含超参数和关联值的表。非空的时`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` `“gridsearch”`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
`LearnerNames`	集合中带有弱学习者名称的字符向量的单元数组。每个学习者的名字只出现一次。例如，如果你有100棵树，`LearnerNames`是`{'树'}`．
`方法`	描述创建方法的字符向量`实体`．
`ModelParameters`	训练参数`实体`．
`NumObservations`	在训练数据中包含观测数的数值标量。
`NumTrained`	受过训练的弱学习者的数量`实体`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`．
`之前`	每个类的先验概率的数字向量。元素的顺序`之前`中类的顺序`一会`．元素的数量`之前`是响应中唯一类的数量。此属性是只读的。
`ReasonForTermination`	描述原因的字符向量`fitcensemble`停止把弱学习者加入到合奏中。
`ResponseName`	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”`意味着没有转换;同样,`“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`fitctree`．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`	训练的分类模型的细胞向量。如果`方法`是`“LogitBoost”`或`“GentleBoost”`,然后`ClassificationEnsemble`商店训练学习者`j`在`CompactRegressionLearner`属性中存储的对象`训练有素的{j｝`．也就是说，接触训练有素的学习者`j`,使用`ens.Trained {j}．CompactRegressionLearner`．否则，细胞向量的细胞包含相应的紧凑分类模型。
`TrainedWeights`	中弱学习者训练权值的数值向量`实体`．`TrainedWeights`有`T`元素,`T`弱学习者的人数在多少`学习者`．
`UsePredForLearner`	逻辑大小矩阵`P`——- - - - - -`NumTrained`,在那里`P`训练数据中预测器(列)的数量`X`．`UsePredForLearner (i, j)`是`真正的`当学习者`j`使用预测`我`,是`假`否则。对于每个学习者，预测器的顺序与训练数据中的列相同`X`．如果集合不是类型`子空间`，所有输入`UsePredForLearner`是`真正的`．
`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，每一行表示一个观察。
`Y`	数字向量、分类向量、逻辑向量、字符数组或字符向量的单元数组。每一行的`Y`的对应行的分类`X`．

对象的功能

`紧凑的`	紧凑的系综分类
`compareHoldout`	使用新数据比较两个分类模型的准确性
`crossval`	旨在合奏
`边缘`	分类的优势
`收集`	收集的属性统计和机器学习工具箱对象从GPU
`石灰`	局部可解释的模型不可知解释(LIME)
`损失`	分类错误
`保证金`	分类的利润率
`partialDependence`	计算部分依赖
`plotPartialDependence`	创建部分依赖图(PDP)和个人条件期望图(ICE)
`预测`	使用分类模型的集合对观测结果进行分类
`predictorImportance`	决策树分类集成中预测器重要性的估计
`resubEdge`	边的再替换分类
`resubLoss`	再代换造成的分类错误
`resubMargin`	再替换的分类边缘
`resubPredict`	在分类模型集合中对观察进行分类
`的简历`	恢复训练合奏
`沙普利`	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

全部折叠

列车加强型分类系统

打开生活的脚本

加载电离层数据集。

负载电离层

使用所有的测量值和AdaBoostM1方法。

Mdl = fitcensemble (X, Y,“方法”，“AdaBoostM1”）

Mdl = ClassificationEnsemble ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' ' 'g'} ScoreTransform: 'none' NumObservations: 351 NumTrained: 100 Method: 'AdaBoostM1' LearnerNames: {'Tree'} ReasonForTermination: '在完成请求的训练周期数后正常终止。'FitInfo描述:{2x1 cell}属性，方法

Mdl是一个ClassificationEnsemble模型对象。

Mdl。Trained是存储经过训练的分类树的100 × 1细胞向量的属性(CompactClassificationTree模型对象)组成集成。

绘制第一个训练的分类树的图。

视图(Mdl。训练有素的{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36个类型为line, text的对象。

默认情况下,fitcensemble种植浅的树木，以增强树木的整体效果。

预测的平均值的标签X．

predMeanX =预测(Mdl,意味着(X))

predMeanX =1 x1单元阵列{' g '}

提示

对于分类树的集合训练有素的的属性实体存储一个ens.NumTrained紧凑分类模型的-by-1细胞向量。用于树的文本或图形显示t在细胞向量中，输入:

视图(实体。训练有素的{t} .CompactRegressionLearner)用于使用LogitBoost或GentleBoost聚合的集成。
视图(实体。训练有素的{t}）用于所有其他聚合方法。

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项及限制:

的预测函数支持代码生成。金宝app
将集成的预测集成到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ClassificationKNN，CompactClassificationDiscriminant,CompactClassificationTree．
对于定点代码生成，必须使用树学习器训练集成。