使用分类学习者应用程序列车集合分类器

创建和比较集合分类器，并导出培训的模型，以便对新数据进行预测。

集合学习的框架

通过使用许多弱的学习者获得高度准确的预测。

合奏算法

了解集合学习的不同算法。

火车分类集合

火车简单的分类集合。

测试合奏质量

了解评估集合的预测质量的方法。

处理分类集合中的不平衡数据或不平等的错误分类成本

了解如何设置先前的类概率和错误分类成本。

使用不平衡数据进行分类

使用Rusboost算法在您的数据中过于表示一个或多个类时的分类。

Lpboost和全腾料为小型合奏

使用LPBoost和TotalBoost算法创建小型集合。（LPBoost和TotalBoost需要优化工具箱™。）

tune robustboost.

调整robustboost参数以获得更好的预测精度。（RobustBoost需要优化工具箱。）

替代分裂

通过使用代理分割缺少数据时，会更好地预测。

并行列车分类集合

培训一个并行的袋装合奏。

使用TreeBagger的自引导聚合（袋装）分类树

创建一个treebagger组合分类。

装袋决策树的信用评级

此示例显示如何构建自动信用评级工具。

随机子空间分类

通过使用随机子空间集合提高分类的准确性。

使用分类usemble预测块预测类标签

用最佳的超参数训练分类集合模型，然后使用分类素质预测标签预测块。