ClassificationBaggedEnsemble
包:classreg.learning.classif
超类:ClassificationEnsemble
通过重采样得到分类集合
描述
ClassificationBaggedEnsemble结合一组训练过的弱学习器模型和这些学习器训练过的数据。它可以通过聚合来自弱学习器的预测来预测新数据的集成响应。
建设
使用创建袋装分类集成对象fitcensemble．设置名称-值对参数“方法”的fitcensemble来“包”使用引导聚合(例如，随机森林)。
属性
|
的单元格数组指定的数值预测器的Bin边p数字向量，其中p是预测因子的数量。每个向量都包含数值预测器的bin边。类别预测器的单元格数组中的元素为空，因为软件不收纳类别预测器。 类型时，软件才会对数值预测器进行分类 您可以重新生成已归档的预测器数据 X = mdl.X;%预测数据Xbinned = 0(大小(X));edges = mdl.BinEdges;查找已分类预测符的索引。idxNumeric = find(~cellfun(@isempty,edges));if iscolumn(idxNumeric) idxNumeric = idxNumeric';end for j = idxNumeric x = x (:，j);如果x是一个表，则将x转换为数组。If stable(x) x = table2array(x);将x分组到箱子中
Xbinned包含数值预测器的容器索引，范围从1到容器数。Xbinned类别预测器的值为0。如果X包含南S，然后是对应的Xbinned值是南年代。 |
|
分类预测指标，指定为正整数向量。 |
|
元素的列表 |
|
描述如何 |
|
扩展的预测器名称，存储为字符向量的单元格数组。 如果模型对分类变量使用编码，则 |
|
拟合信息的数字数组。的 |
|
字符向量描述的含义 |
|
数值标量之间 |
|
超参数的交叉验证优化的描述，存储为
|
|
描述创建方法的字符向量 |
|
训练参数 |
|
培训的弱学习者的数量 |
|
预测变量名称的单元格数组，按它们出现的顺序排列 |
|
描述原因的特征向量 |
|
指示是否使用替换训练集成的逻辑值( |
|
带有响应变量名称的字符向量 |
|
转换分数的函数句柄，或表示内置转换函数的字符向量。 添加或更改 ens.ScoreTransform = '函数＇ 或 ens.ScoreTransform = @函数 |
|
训练有素的学习者，一个紧凑分类模型的单元阵列。 |
|
中弱学习者训练权重的数字向量 |
|
大小逻辑矩阵 |
|
按比例缩小的 |
|
训练集合的预测器值的矩阵或表。的每一列 |
|
类别数组、字符向量的单元格数组、字符数组、逻辑向量或具有相同行数的数字向量 |
对象的功能
紧凑的 |
紧凑分类系统 |
compareHoldout |
比较使用新数据的两种分类模型的准确性 |
crossval |
旨在合奏 |
边缘 |
分类的优势 |
石灰 |
局部可解释模型不可知解释(LIME) |
损失 |
分类错误 |
保证金 |
分类的利润率 |
oobEdge |
袋外分类边 |
oobLoss |
袋外分类错误 |
oobMargin |
袋外分级边际 |
oobPermutedPredictorImportance |
通过对随机森林分类树的袋外预测器观测的排列估计预测器重要性 |
oobPredict |
预测整体的袋外反应 |
partialDependence |
计算部分依赖关系 |
plotPartialDependence |
创建部分依赖图(PDP)和个别条件期望图(ICE) |
预测 |
使用分类模型集成对观测数据进行分类 |
predictorImportance |
决策树分类集合中预测因子重要性的估计 |
removeLearners |
删除紧凑分类集成的成员 |
resubEdge |
通过置换分类边缘 |
resubLoss |
再置换导致的分类错误 |
resubMargin |
再置换分类边际 |
resubPredict |
在分类模型集合中对观测数据进行分类 |
重新开始 |
简历培训套装 |
沙普利 |
沙普利值 |
testckfold |
通过重复交叉验证比较两种分类模型的准确性 |
复制语义
价值。要了解值类如何影响复制操作，请参见复制对象．
例子
分类树的训练袋装集合
加载电离层数据集。
负载电离层
您可以使用所有测量值训练100个分类树的集合。
Mdl = fitcensemble(X,Y，“方法”，“包”）
fitcensemble使用默认模板树对象templateTree ()作为一个学习能力差的人“方法”是“包”．在本例中，为了重现性，请指定“重现”,真的当您创建一个树模板对象时，然后将该对象用作弱学习器。
rng (“默认”）%用于再现性t = templateTree(“复制”,真正的);%用于随机预测器选择的重现性Mdl = fitcensemble(X,Y，“方法”，“包”，“学习者”, t)
Mdl = ClassificationBaggedEnsemble ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' NumObservations: 351 NumTrained: 100 Method: 'Bag' LearnerNames: {'Tree'} reasonforterminate: '完成所要求的训练周期数后正常终止。'FitInfo: [] FitInfoDescription: 'None' FResample: 1 Replace: 1 UseObsForLearner: [351x100 logical] Properties, Methods
Mdl是一个ClassificationBaggedEnsemble模型对象。
Mdl。Trained属性，用于存储已训练分类树的100 × 1单元格向量(CompactClassificationTree模型对象)组成集成。
绘制第一个训练的分类树的图。
视图(Mdl。训练有素的{1},“模式”，“图”）
默认情况下,fitcensemble为袋装组合生长深度决策树。
估计样本内误分类率。
L = resubLoss(Mdl)
L = 0
l是0，表示这个Mdl能很好地分类训练数据。
提示
对于分类树的袋装集合，使用训练有素的的属性实体存储的单元格向量ens.NumTrainedCompactClassificationTree模型对象。用于树的文本或图形显示t在单元格向量中，输入
视图(实体。训练有素的{t}）
扩展功能
您也可以从以下列表中选择一个网站:
