分类集合体
用于多类学习的Boosting、随机森林、bagging、随机子空间和ECOC集合
应用程序
| 分类学习者 | 训练模型使用监督机器学习对数据进行分类 |
块
| ClassificationEnsemble预测 | 使用决策树集合对观测进行分类 |
功能
类
主题
- 使用分类学习应用程序训练集成分类器
创建和比较集成分类器，并导出训练过的模型，以对新数据进行预测。
- 集成学习框架
通过使用许多弱学习器获得高度准确的预测。
- 整体算法
了解集成学习的不同算法。
- 列车分类汇编
训练一个简单的分类集合。
- 测试集成质量
学习评估集成的预测质量的方法。
- 处理分类集合中的不平衡数据或不平等错误分类代价
学习如何设置先验类概率和错误分类代价。
- 不平衡数据分类
当一个或多个类在数据中过度表示时，使用RUSBoost算法进行分类。
- LPBoost和TotalBoost用于小型合奏
使用LPBoost和TotalBoost算法创建小型集成。(LPBoost和TotalBoost需要优化工具箱™。)
- 曲调RobustBoost
优化RobustBoost参数以获得更好的预测精度。(RobustBoost需要优化工具箱。)
- 代理分裂
当你有缺失的数据时，通过使用代理分割获得更好的预测。
- 并行列车分类集成
可重复地平行训练装袋套装。
- 使用TreeBagger的分类树的Bootstrap聚合(Bagging)
创建一个
TreeBagger用于分类的集成。 - 通过装袋决策树进行信用评级
这个例子展示了如何构建一个自动化的信用评级工具。
- 随机子空间分类
通过使用随机子空间集合来提高分类的准确性。
- 使用ClassificationEnsemble预测块预测类标签
训练一个具有最优超参数的分类集成模型，然后使用ClassificationEnsemble预测块，用于标签预测。
您也可以从以下列表中选择一个网站: