oobPredict
整体预测out-of-bag观察
语法
Y = oobPredict (B)
Y = oobPredict (B、名称、值)
(Y,方差)= oobPredict (___)
(Y,分数)= oobPredict (___)
(Y,分数,方差)= oobPredict (___)
描述
Y = oobPredict (B)使用训练装袋机计算预测的反应Bout-of-bag观测的训练数据。输出有一个预测训练数据中的每个观测。返回的Y是一个单元阵列特征向量的分类和回归的数字数组。
Y = oobPredict (B,使用一个或两个名称-值对指定附加选项参数:名称,值)
“树”-树索引数组用于计算的反应。默认值是“所有”。“TreeWeights”数组的NTrees从指定的树,权重加权投票NTrees是树木的数量。
对于回归,(Y,方差)= oobPredict (___)也收益标准差的计算反应的合奏种植树木使用任何输入参数组合在以前的语法。
的分类,(Y,分数)= oobPredict (___)也为所有类返回分数。分数是一个矩阵,一行每观察和一列类。对于每个out-of-bag观察和每个类,每棵树生成的得分的概率是观察来自类,计算分数的观察类的树叶。oobPredict平均这些分数在合奏中所有的树木。
(Y,分数,方差)= oobPredict (___)也收益标准差计算分数的分类。方差是一个矩阵,一行每观察和一列类,与标准差接管的合奏种植树木。
算法
oobPredict和预测同样预测类和响应。
在回归问题:
对每个观察袋的至少一个树,
oobPredict通过选择响应的树木组成的加权平均数的观察袋。对于这个计算,“TreeWeights”名称-值对参数指定权重。对每个观察包所有的树木,预测反应的加权平均数的训练反应。对于这个计算,
W财产的TreeBagger模型(即。观察权重)指定权重。
在分类问题:
对每个观察袋的至少一个树,
oobPredict组合类的加权平均后验概率选择的树观察袋。因此,预测类是类对应于最大的加权平均数。对于这个计算,“TreeWeights”名称-值对参数指定权重。对每个观察包所有的树木,加权预测类,最受欢迎的类在所有训练反应。对于这个计算,
W财产的TreeBagger模型(即。观察权重)指定权重。如果有多个最受欢迎的课程,oobPredict认为首先列出之一一会财产的TreeBagger最受欢迎的模型。
