使用分类学习应用训练集成分类器

创建和比较集成分类器，并导出训练好的模型来对新数据进行预测。

集成学习框架

利用许多弱学习者获得高度准确的预测。

整体算法

了解集成学习的不同算法。

火车分类合奏

训练一个简单的分类集成。

测试整体质量

学习评估集成预测质量的方法。

处理分类集成中不平衡的数据或不均衡的误分类代价

学习如何设置先验类别概率和错误分类代价。

用不平衡数据进行分类

当数据中有一个或多个类过多时，使用RUSBoost算法进行分类。

LPBoost和TotalBoost用于小集合

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

曲调RobustBoost

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

代理分裂

当缺少数据时，使用代理项分割可以获得更好的预测。

并行列车分类集成

以重复的方式平行地训练一个袋装套装。

利用TreeBagger的分类树Bootstrap聚合(Bagging)

创建一个TreeBagger系综分类。

基于Bagging决策树的信用评级

这个例子展示了如何构建一个自动信用评级工具。

随机子空间分类

利用随机子空间集成提高分类精度。

使用分类集成预测块预测类标签

训练一个具有最优超参数的分类集成模型，然后利用ClassificationEnsemble预测用于标签预测的块。