分类学习者 | 使用监督机器学习训练模型来分类数据 |
ClassificationEnsemble预测 | 使用决策树集成对观测结果进行分类 |
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。
利用许多弱学习者获得高度准确的预测。
了解集成学习的不同算法。
训练一个简单的分类集成。
学习评估集成预测质量的方法。
学习如何设置先验类别概率和错误分类代价。
当数据中有一个或多个类过多时,使用RUSBoost算法进行分类。
使用LPBoost和TotalBoost算法创建小型集成。(LPBoost和TotalBoost需要优化工具箱™。)
调优RobustBoost参数以获得更好的预测精度。(RobustBoost需要优化工具箱。)
当缺少数据时,使用代理项分割可以获得更好的预测。
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。
这个例子展示了如何构建一个自动信用评级工具。
利用随机子空间集成提高分类精度。
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。