CompactClassificationEnsemble

包:classreg.learning.classif

紧分类集成类

全页展开

描述

分类集成(类的)的紧凑版本ClassificationEnsemble)。精简版不包括训练分类集成的数据。因此，您无法使用紧凑的分类集成执行某些任务，例如交叉验证。使用紧凑的分类集成来对新数据进行预测(分类)。

建设

实体=紧凑(fullEns)从一个完整的决策集成中构建一个紧凑的决策集成。

输入参数

fullEns

由fitcensemble。

属性

`CategoricalPredictors`	分类预测指标，指定为正整数的向量。`CategoricalPredictors`包含与包含分类预测器的预测器数据列对应的索引值。如果没有一个预测器是直言的，那么这个属性是空的(`[]`)。
`一会`	元素的列表`Y`删除重复的。`一会`可以是数字向量、分类变量向量、逻辑向量、字符数组或字符向量的单元格数组。`一会`是否与参数中的数据具有相同的数据类型`Y`。(该软件将字符串数组视为字符向量的单元数组。)
`CombineWeights`	描述如何`实体`也可以结合弱学习者权重`“WeightedSum”`或`“WeightedAverage”`。
`成本`	方阵,`成本(i, j)`将一个分数分类的成本是多少`j`如果它的真值是`我`(行对应于真实类，列对应于预测类)。的行和列的顺序`成本`中的类的顺序`一会`。的行数和列数`成本`是响应中惟一类的数量。此属性是只读的。
`ExpandedPredictorNames`	扩展的预测器名称，存储为字符向量的单元格数组。如果模型对分类变量使用编码，那么`ExpandedPredictorNames`包括描述扩展变量的名称。否则,`ExpandedPredictorNames`和`PredictorNames`。
`NumTrained`	训练有素的弱学习者的数量`实体`一个标量。
`PredictorNames`	预测变量名称的单元格数组，按它们出现的顺序排列`X`。
`之前`	每个类的先验概率的数值向量。元素的顺序`之前`中的类的顺序`一会`。元素的个数`之前`是响应中惟一类的数量。此属性是只读的。
`ResponseName`	带有响应变量名称的字符向量`Y`。
`ScoreTransform`	转换分数的函数句柄，或表示内置转换函数的字符向量。`“没有”`意味着没有转换;同样,`“没有”`意味着`@ x (x)`。有关内置转换函数的列表和自定义转换函数的语法，请参见`fitctree`。添加或更改`ScoreTransform`函数使用点表示法: ens.ScoreTransform = '函数” 或 ens.ScoreTransform = @函数
`训练有素的`	训练过的分类模型的细胞载体。如果`方法`是`“LogitBoost”`或`“GentleBoost”`,然后`CompactClassificationEnsemble`商店训练学习者`j`在`CompactRegressionLearner`中的对象的属性`训练有素的{j}`。也就是说，接触训练有素的学习者`j`,使用`ens.Trained {j} .CompactRegressionLearner`。否则，细胞载体的细胞包含相应的、紧凑的分类模型。
`TrainedWeights`	弱学习者的训练权值的数值向量`实体`。`TrainedWeights`有`T`元素,`T`弱势学习者的人数在多少`学习者`。
`UsePredForLearner`	尺寸逻辑矩阵`P`——- - - - - -`NumTrained`,在那里`P`训练数据中预测器的数量(列)是多少`X`。`UsePredForLearner (i, j)`是`真正的`当学习者`j`使用预测`我`,是`假`否则。对于每个学习者，预测器的顺序与训练数据中的列相同`X`。如果合奏不符合类型`子空间`，所有条目`UsePredForLearner`是`真正的`。

对象的功能

`边缘`	分类的优势
`损失`	分类错误
`保证金`	分类的利润率
`partialDependence`	计算部分依赖
`plotPartialDependence`	创建部分依赖图(PDP)和个人条件期望图(ICE)
`预测`	使用分类模型集成对观测数据进行分类
`predictorImportance`	决策树分类集成中预测器重要性的估计
`removeLearners`	移除紧凑分类集合的成员

复制语义

价值。要了解值类如何影响复制操作，请参见复制对象。

例子

全部折叠

缩小分类系统的规模

打开生活的脚本

创建一个紧凑的分类集成，以有效地对新数据进行预测。

加载电离层数据集。

负载电离层

使用所有的测量值和AdaBoostM1方法。

Mdl = fitcensemble (X, Y,“方法”,“AdaBoostM1”)

Mdl = ClassificationEnsemble ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' NumObservations: 351 numtraining: 100 Method: 'AdaBoostM1' LearnerNames: {'Tree'} ReasonForTermination: '在完成请求的训练周期后正常终止。` FitInfo: [100x1 double] FitInfoDescription: {2x1 cell}属性，方法

Mdl是一个ClassificationEnsemble模型对象，其中包含训练数据。

创建一个紧凑的版本Mdl。

CMdl =紧凑(Mdl)

[] ClassNames: {'b' 'g'} ScoreTransform: 'none' numtraining: 100属性，方法

CMdl是一个CompactClassificationEnsemble模型对象。CMdl几乎和Mdl。一个例外是CMdl不存储训练数据。

比较所消耗的空间量Mdl和CMdl。

mdlInfo =谁(“Mdl”);cMdlInfo =谁(“CMdl”);[mdlInfo。字节cMdlInfo.bytes]

ans =1×2877937 631686

Mdl比CMdl。

CMdl.Trained储存训练过的分类树(CompactClassificationTree模型对象)组成Mdl。

显示紧凑整体中第一个树的图形。

视图(CMdl.Trained {1},“模式”,“图”);

默认情况下,fitcensemble种植浅树以增加树木的集合。

预测的平均值的标签X使用紧凑的套装。

predMeanX =预测(CMdl,意味着(X))

predMeanX =1 x1单元阵列{' g '}

提示

对于分类树的集合训练有素的的属性实体存储一个ens.NumTrained-by-1细胞载体的紧凑分类模型。用于树的文本或图形显示t在细胞向量中输入:

视图(ens.Trained {t} .CompactRegressionLearner)用于使用LogitBoost或GentleBoost聚合的集合。
视图(ens.Trained {t})对于所有其他聚合方法。

扩展功能

C / c++代码生成
使用MATLAB®编码器™生成C和c++代码。

使用说明及限制:

的预测函数支持代码生成。金宝app
当你用fitcensemble，在集成中使用的弱学习者的代码生成限制也适用于集成。有关更多细节，请参见的代码生成部分ClassificationKNN,CompactClassificationDiscriminant,CompactClassificationTree。
为了生成定点代码，您必须使用树学习器来训练集成程序。