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 |
分类素质预测 | 使用决策树的集体分类观察 |
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。
通过使用许多弱的学习者获得高度准确的预测。
了解集合学习的不同算法。
火车简单的分类集合。
了解评估集合的预测质量的方法。
了解如何设置先前的类概率和错误分类成本。
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。
使用LPBoost和TotalBoost算法创建小型集合。(LPBoost和TotalBoost需要优化工具箱™。)
调整robustboost参数以获得更好的预测精度。(RobustBoost需要优化工具箱。)
通过使用代理分割缺少数据时,会更好地预测。
培训一个并行的袋装合奏。
创建一个treebagger
组合分类。
此示例显示如何构建自动信用评级工具。
通过使用随机子空间集合提高分类的准确性。
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。