预测

使用分类模型的集合对观测结果进行分类

全部展开页面

语法

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，X）返回表或矩阵中预测器数据的预测类标签向量X，基于完整的或紧凑的、训练过的分类集合Mdl．

标签=预测(Mdl，X，名称,值）使用一个或多个指定的附加选项名称,值对参数。

［标签，分数) =预测(＿＿＿）也返回一个分类矩阵分数（分数)，表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X时，预测的类标签对应于所有类中的最大值。

输入参数

Mdl

由。创建的分类集合fitcensemble或者是一个紧凑的分类集合紧凑的．

X

要分类的预测器数据，指定为数字矩阵或表。

每一行的X对应一个观察值，每一列对应一个变量。

对于数值矩阵:
- 组成列的变量X必须和训练的预测变量有相同的顺序吗Mdl．
- 如果你训练Mdl使用表(例如，资源描述),然后X可以是一个数字矩阵，如果资源描述包含所有数值预测变量。处理数值预测资源描述作为分类训练，识别分类预测使用CategoricalPredictors的名称-值对参数fitcensemble．如果资源描述包含异构预测变量(例如，数字和分类数据类型)和X是一个数值矩阵，那么预测抛出一个错误。
一个表:
- 预测除了字符向量的单元金宝app格数组外，不支持多列变量或单元格数组。
- 如果你训练Mdl使用表(例如，资源描述)，然后所有预测变量X必须有相同的变量名和相同的数据类型的训练Mdl(存储在Mdl。PredictorNames）.但是，的列顺序X不需要对应的列顺序资源描述．资源描述和X可以包含额外的变量(响应变量，观察权重等)，但是预测忽略了它们。
- 如果你训练Mdl使用一个数字矩阵，然后预测器命名Mdl。PredictorNames和相应的预测变量名X肯定是一样的。要在训练期间指定预测器名称，请参见PredictorNames的名称-值对参数fitcensemble．所有的预测变量X必须是数值向量。X可以包含额外的变量(响应变量，观察权重等)，但是预测忽略了它们。

名称-值对的观点

指定可选的逗号分隔的对名称,值参数。的名字参数名和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

“学习者”

弱学习者指标预测用于计算响应，一个数值矢量。

默认值:1: T,在那里T弱学习者的人数在多少Mdl

“UseObsForLearner”

大小的逻辑矩阵N——- - - - - -T,地点:

N行数是多少X．
T弱学习者的人数在多少Mdl．

当UseObsForLearner (i, j)是真正的,学习者j是用来预测排的类吗我的X．

默认值:真正的(N, T)

输出参数

`标签`	分类标签向量。`标签`是否与培训中使用的标签具有相同的数据类型`Mdl`．(该软件将字符串数组视为字符向量的单元格数组。)
`分数`	一个矩阵，每个观察值有一行，每个类有一列。对于每个观察和每个班级，分数代表了该观察来自该班级的信心。分数越高，自信越高。有关更多信息，请参见评分(整体)．

例子

全部展开

使用分类集成预测类标签

打开生活的脚本

载入费雪的虹膜数据集。确定样本量。

负载fisheriris1) N =大小(量;

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);%的再现性本量利= cvpartition (N,“坚持”, 0.1);idxTrn =培训(cvp);%训练集指标idxTest =测试(cvp);%测试集指标

将训练数据存储在一个表中。

tblTrn = array2table(量(idxTrn:));tblTrn。Y =物种(idxTrn);

使用AdaBoostM2和训练集训练分类集成。指定树桩为弱学习者。

t = templateTree (“MaxNumSplits”1);Mdl = fitcensemble (tblTrn,“Y”，“方法”，“AdaBoostM2”，“学习者”t);

预测测试集的标签。您可以使用数据表训练模型，但可以使用矩阵预测标签。

标签=预测(Mdl量(idxTest:));

为测试集构造一个混淆矩阵。

confusionchart(物种(idxTest)、标签)

Figure包含一个confusimatrixchart类型的对象。

Mdl在测试集中将一个花斑虹膜误分类为弗吉尼亚。

选择功能

金宝app仿真软件块

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。有关示例,请参见使用ClassificationEnsemble预测块预测类标签和用MATLAB函数块预测类标签．

在决定使用哪种方法时，请考虑以下几点:

如果使用统计学和机器学习工具箱库块，则可以使用定点的工具(定点设计师)将浮点模型转换为定点模型。
金宝app的MATLAB函数块必须启用对可变大小数组的支持预测函数。
如果您使用MATLAB函数块，您可以使用MATLAB函数在同一个MATLAB函数块中进行预测之前或之后的预处理或后处理。

扩展功能

高大的数组
使用具有大于内存容量的行数的数组进行计算。

这个函数完全支持高数组。金宝app有关更多信息，请参见高大的数组．

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:

使用saveLearnerForCoder，loadLearnerForCoder,codegen(MATLAB编码器)生成的代码预测函数。通过使用保存一个训练过的模型saveLearnerForCoder．定义一个入口点函数，通过使用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生成单精度的C/ c++代码，请指定name-value参数“数据类型”、“单”当你呼叫loadLearnerForCoder函数。
您也可以生成固定的C/ c++代码预测．定点代码生成需要一个额外的步骤，定义预测所需变量的定点数据类型。属性创建定点数据类型结构数据类型的函数生成的generateLearnerDataTypeFcn，并将该结构用作的输入参数loadLearnerForCoder在入口点函数中。生成定点C/ c++代码需要MATLAB编码器™和定点设计师™。
为。生成定点代码预测包括为单个学习者传播数据类型，因此可能非常耗时。

这个表格包含关于的参数的注释预测．表中未包含的参数完全支持。金宝app

论点	笔记和局限性
`Mdl`	有关模型对象的使用说明和限制，请参见代码生成的`CompactClassificationEnsemble`对象。
`X`	对于通用代码生成，`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`一定是一个不动点矩阵。中的行数或观察值`X`可以是一个可变的大小，但是`X`必须是固定的。如果你想指定`X`作为一个表，那么你的模型必须使用一个表来训练，你的预测入口点函数必须: 接受数据为数组。根据数据输入参数创建表，并指定表中的变量名。把桌子递给`预测`．有关此表格工作流的示例，请参见生成代码对表中的数据进行分类．有关在代码生成中使用表的更多信息，请参见表的代码生成(MATLAB编码器)和代码生成的表限制(MATLAB编码器)．
名称-值对的观点	名称-值对参数中的名称必须是编译时常量。例如，在生成的代码中允许用户自定义索引最多5个弱学习者，包括`{coder.Constant(学习者),coder.typeof (0 [1,5] [0,1])}`在`arg游戏`的价值`codegen`(MATLAB编码器)．
`“学习者”`	对于定点代码生成，`“学习者”`值必须为整型数据类型。