火车分类合奏

此示例显示了如何为电离层数据集，并使用它来预测平均测量值的雷达回报的分类。

加载电离层数据集。

加载电离层

培训分类合奏。对于二进制分类问题，FitCensemble使用LogitBoost聚集100种分类树。

mdl = fitCensemble（x，y）

mdl = ClassificationEnsemper响应名称：'y'分类predictors：[] classNames：{'b'g'g'} scoretransform：'none'numobservations：351数字：100方法：'logitBost'learnernames：{'tree'}合理终止：'tree'}合理终止：''完成所需数量的训练周期后。”fitinfo：[100x1 double] fitinfodescription：{2x1 cell}属性，方法

MDL是一个分类安排模型。

绘制合奏中第一个受过训练的分类树的图。

查看（mdl.Trained {1} .compacTregressionlearner，'模式'，，，，'图形'）；

默认，FitCensemble生长浅树来增强算法。您可以通过将树模板对象传递到FitCensemble。有关更多详细信息，请参阅Templatetree。

通过平均预测测量值预测雷达回报的质量。

标签=预测（MDL，平均（x））

标签=1x1单元格数组{'G'}

也可以看看

FitCensemble|预测

相关话题

• 火车回归合奏
• 选择随机森林的预测因子
• 决策树
• 合奏算法
• 合奏学习框架