CompactTreeBagger类
紧凑的整体决策树生长的引导聚合
描述
CompactTreeBagger类是一个轻量级的类包含使用树木生长TreeBagger。CompactTreeBagger不保存任何信息如何TreeBagger增长的决策树。它不包含输入数据用于植树,它也不包含训练参数如最小叶大小或数量的变量抽样随机分割为每一个决定。你只能使用CompactTreeBagger预测的反应训练合奏了新的数据X和其他相关功能。
CompactTreeBagger让你将训练整体保存到磁盘,或以任何其他方式使用它,而丢弃培训数据和各种参数的配置无关的预测反应的成年。这样可以减少存储和内存需求,尤其是对乐团训练在大型数据集。
建设
| CompactTreeBagger | 创建CompactTreeBagger对象 |
CMdl=紧凑(Mdl)Mdl,一个TreeBagger模型对象。你可以预测回归使用CMdl完全可以使用Mdl。然而,由于CMdl不包含训练数据,你无法执行一些操作,比如让out-of-bag预测使用oobPredict。
对象的功能
结合 |
结合两个乐团 |
错误 |
错误(错误分类概率或MSE) |
保证金 |
分类保证金 |
mdsprox |
多维标度的距离矩阵 |
meanMargin |
意思是分类保证金 |
outlierMeasure |
离群值测量数据整体的决策树 |
partialDependence |
计算部分依赖 |
plotPartialDependence |
创建部分依赖图(PDP)和个人条件期望(ICE)情节 |
预测 |
使用的袋装决策树预测反应 |
接近 |
距离矩阵的决策树中的数据 |
setDefaultYfit |
设置默认值预测 |
属性
|
的 |
|
的 分类,你可以设定这个属性 对于回归,可以将此属性设置为任何数字标量。默认是对训练数据响应的均值。 |
|
的 |
|
的 |
|
的 |
|
的 |
|
的 |
|
的 |
|
的 |
例子
减少树木的大小的包
为有效地创建一个压缩袋树做出预测新数据。
加载电离层数据集。
负载电离层
列车一袋100使用所有测量和分类树AdaBoostM1方法。
Mdl = TreeBagger (100 X, Y,“方法”,“分类”)
Mdl = TreeBagger合奏与100袋装决策树:训练X: [351 x34]培训Y: [351 x1)方法:分类NumPredictors: 34 NumPredictorsToSample: 6 MinLeafSize: 1 InBagFraction: 1 SampleWithReplacement: 1 ComputeOOBPrediction: 0 ComputeOOBPredictorImportance: 0距离:[]一会:“b”“g”属性,方法
Mdl是一个TreeBagger包含训练数据模型对象,等等。
创建一个紧凑的版本Mdl。
CMdl =紧凑(Mdl)
CMdl = CompactTreeBagger合奏与100袋装决策树:方法:分类NumPredictors: 34一会:“b”“g”属性,方法
CMdl是一个CompactTreeBagger模型对象。CMdl几乎是一样的吗Mdl。一个例外是,它不存储训练数据。
比较大量的空间了Mdl和CMdl。
mdlInfo =谁(“Mdl”);cMdlInfo =谁(“CMdl”);[mdlInfo。字节cMdlInfo.bytes]
ans =1×21115742 976936
Mdl消耗更多的空间比CMdl。
CMdl.Trees存储训练分类树(CompactClassificationTree模型对象)组成Mdl。
显示一个图的第一棵树紧凑模式。
视图(CMdl.Trees {1},“模式”,“图”);
默认情况下,TreeBagger深树生长。
预测均值的标签X使用紧凑的合奏。
predMeanX =预测(CMdl,意味着(X))
predMeanX =1 x1单元阵列{' g '}
复制语义
价值。学习如何影响你的使用类的,看到的类比较处理和价值在MATLAB®面向对象编程的文档。
提示
的树的属性CMdl存储单元向量的CMdl.NumTreesCompactClassificationTree或CompactRegressionTree模型对象。文本或图形显示的树t在细胞中向量,输入
视图(CMdl.Trees {t})
