分类集合

增加，随机森林，袋装，随机子空间和ecoc ensembles，用于多字母学习

分类集合是由多分类模型的加权组合组成的预测模型。通常，组合多种分类模型可以提高预测性能。

要以交互方式探索分类集合，请使用分类学习者应用程序。有关更大的灵活性，使用fitcensemble在命令行界面中提升或袋子分类树，或者种植随机森林[12]．有关所有支持的合奏的详细信息，请参阅金宝app合奏算法．要将多字符问题减少到二进制分类问题的集合中，请培训纠错输出代码（ECOC）模型。有关详细信息，请参阅Fitcecoc.．

使用LSBoost增强回归树，或生长一个随机回归树森林[12],请参阅回归集合体．

应用程序

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

块

ClassificationEnsemble预测

使用决策树的集体分类观察

功能

展开全部

创建学习者模板

`模板异教徒`	判别分析分类器模板
`TemplateCoc.`	纠错输出代码学习者模板
`Template多样性`	合奏学习模板
`templateKNN`	k- 最终邻居分类器模板
`templateLinear`	线性分类学习者模板
`TemplateAniveBayes.`	天真贝叶斯分类器模板
`templateSVM`	金宝app支持向量机模板
`templateTree`	创建决策树模板

系综分类

创建分类集合

`fitcensemble`	适合学习者的分类
`袖珍的`	紧凑型分类集合

修改分类合奏

`重新开始`	恢复训练合奏
`雷诺维尔人`	删除紧凑分类集合的成员

解释分类合奏

`石灰`	本地可解释模型 - 不可知的解释（石灰）
`部分竞争`	计算部分依赖
`情节依存`	创建部分依赖图(PDP)和个人条件期望图(ICE)
`predictorImportance`	估计决策树分类集合的预测性重要性
`沙普利`	沙普利值

旨在分类合奏

`crossval`	旨在合奏
`kfoldEdge`	交叉验证分类模型的分类边缘
`kfoldLoss`	交叉验证分类模型的分类损失
`kfoldmargin.`	交叉验证分类模型的分类裕度
`Kfoldpredict.`	在交叉验证的分类模型中对观察进行分类
`kfoldfun.`	交叉验证功能进行分类

衡量表现

`损失`	分类错误
`resubloss.`	重新提交的分类错误
`CompareSheut.`	使用新数据比较两个分类模型的精度
`边缘`	分类的优势
`保证金`	分类边距
`resubEdge`	边的再替换分类
`重新提交`	通过重新提交分类利润
`testckfold`	通过重复交叉验证比较两种分类模型的准确率

分类的观察

`预测`	使用分类模型的集合分类观察
`resubPredict`	在分类模型集合中对观察进行分类
`oobPredict`	预测总体的包外响应

收集分类集合的属性

`收集`	收集的属性统计和机器学习工具箱对象从GPU

袋装分类树

`TreeBagger`	创建决策树包
`fitcensemble`	适合学习者的分类
`预测`	使用袋装决策树预测响应
`oobPredict`	包外观测的集合预测

多级ECOC

创建ecoc.

`Fitcecoc.`	适用于支持向量机或其他分类器的多键模型金宝app
`袖珍的`	减小多类纠错输出码(ECOC)模型的尺寸

修改ECOC

discard金宝appSupportVectors 丢弃ECOC模型金宝app中线性支持向量机二进制学习器的支持向量

解释ECOC

`石灰`	本地可解释模型 - 不可知的解释（石灰）
`部分竞争`	计算部分依赖
`情节依存`	创建部分依赖图(PDP)和个人条件期望图(ICE)
`沙普利`	沙普利值

旨在ECOC

`crossval`	交叉验证多类纠错输出码(ECOC)模型
`kfoldEdge`	交叉验证ECOC模型的分类边缘
`kfoldLoss`	交叉验证的ECOC模型的分类损失
`kfoldmargin.`	交叉验证的ECOC模型的分类边距
`Kfoldpredict.`	在交叉验证的ECOC模型中对观测结果进行分类
`kfoldfun.`	交叉验证功能使用交叉验证的ECOC模型