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'}