CompactClassificationTree
包:classreg.learning.classif
紧凑的分类树
描述
紧凑版本的一个分类树(类ClassificationTree
)。紧凑版本不包括的数据训练分类树。因此,您不能执行一些任务紧凑的分类树,如交叉验证。用一个简洁的分类树做预测(分类)的新数据。
建设
结构紧凑的决策树从一个完整的决策树。ctree
=紧凑(树
)
输入参数
|
使用决策树构造 |
属性
|
分类预测指标,指定为一个向量的正整数。 |
|
一个n2单元阵列, |
|
一个n2数组包含每个节点的子节点的数量 |
|
一个n——- - - - - -k数组的类数的节点 |
|
元素的列表 如果一个属性的值的长度至少有一个维度k,然后 |
|
一个n——- - - - - -k数组的类节点的概率 |
|
方阵, |
|
一个n2单元阵列在分支机构使用的类别
|
|
一个n元向量的值用作切割点
|
|
一个n元胞数组表示将在每个节点的类型
|
|
一个n元胞数组的变量的名称用于分支在每个节点
|
|
一个n使用有效的数字索引数组变量中每个节点的分支 |
|
扩展预测名称,存储单元阵列的特征向量。 如果分类变量的模型使用的编码,那么 |
|
一个n元逻辑向量 |
|
一个n元胞数组的名字在每个节点的最可能的类 |
|
一个n元向量的节点的错误 |
|
一个n元向量的节点的概率 |
|
一个n元向量的风险树中的节点,在哪里n节点的数量。每个节点的风险是杂质的测量(基尼系数或异常)为该节点通过节点概率加权。如果两个种植这棵树,每个节点的风险为零。 |
|
一个n元向量的节点的大小 |
|
节点的数量 |
|
一个n元向量包含每个节点的父节点的数量 |
|
一个单元阵列为预测变量的名称,在它们出现的顺序 |
|
每个类的先验概率数值向量。元素的顺序 |
|
每修剪水平数值向量和一个元素。如果修剪水平范围从0到米,然后 |
|
一个n元数值向量的每个节点修剪水平 |
|
特征向量描述变量的响应 |
|
函数处理转变分数,或字符向量代表一个内置的变换函数。 添加或更改 ctree。ScoreTransform = '函数”或ctree。ScoreTransform = @函数 |
|
一个n元胞数组的类别用于替代分裂 |
|
一个n元胞数组的数值减少作业用来替代分裂 |
|
一个n元胞数组的数值用于替代分裂 |
|
一个n元胞数组表示类型的代理将在每个节点 |
|
一个n元胞数组的变量的名称用于代理在每个节点分裂 |
|
一个n元胞数组的代理将协会的预测措施 |
对象的功能
compareHoldout |
比较两种分类模型使用新数据的精度 |
边缘 |
分类的优势 |
收集 |
收集的属性统计和机器学习工具对象从GPU |
石灰 |
本地可model-agnostic解释(石灰) |
损失 |
分类错误 |
保证金 |
分类的利润率 |
partialDependence |
计算部分依赖 |
plotPartialDependence |
创建部分依赖图(PDP)和个人条件期望(ICE)情节 |
预测 |
预测使用分类树标签 |
predictorImportance |
估计预测重要的分类树 |
沙普利 |
沙普利值 |
surrogateAssociation |
意味着预测衡量代理协会分类树的分裂 |
更新 |
更新模型参数代码生成 |
视图 |
视图分类树 |
复制语义
价值。学习如何价值类影响复制操作,明白了复制对象。