分类学习者 | 火车模型以使用监督机器学习对数据进行分类 |
ClassificationEnsemble预测 | 使用决策树的集体分类观察 |
创建和比较集成分类器,并导出训练过的模型来预测新数据。
利用许多弱学习者获得高度准确的预测。
了解集成学习的不同算法。
训练一个简单的分类集合。
学习评价集成的预测质量的方法。
学习如何设置先验类概率和误分类成本。
当数据中一个或多个类过多时,使用RUSBoost算法进行分类。
使用LPBoost和TotalBoost算法创建小型集成。(LPBoost和TotalBoost需要优化工具箱™。)
调整RobustBoost参数以获得更好的预测精度。(RobustBoost需要优化工具箱。)
通过使用代理分割缺少数据时,会更好地预测。
在并行地重复培训袋装集合。
使用TreeBagger分类树的Bootstrap聚集(Bagging)
创建一个TreeBagger
分类合奏。
这个例子展示了如何构建一个自动信用评级工具。
通过使用随机子空间集合来提高分类的准确性。
培训具有最佳超参数的分类集合模型,然后使用ClassificationEnsemble预测块用于标签预测。