主要内容

tune robustboost.

此示例使用：

打开直播脚本

当抢劫即使训练数据具有噪声，算法也可以提高良好的分类预测。但是，默认值抢劫参数可以产生没有预测的集合。此示例显示了调整参数以获得更好的预测精度的一种方法。

使用标签噪声生成数据。此示例每次观察具有20个均匀的随机数，并将观察分类为1如果前五个数字的总和超过2.5（因此大于平均值），并且0.否则：

RNG（0，'twister'）重复性的％XTrain = Rand（2000,20）;YTrain = Sum（XTrain（：，1：5），2）> 2.5;

要添加噪声，随机切换10％的分类：

idx = randsample（2000,200）;YTrain（IDX）=〜Ytrain（IDX）;

创建一个合奏adaboostm1.为了比较目的：

ada = fitcensemble（xtrain，ytrain，'方法'那'adaboostm1'那......'numlearnicalnycle', 300,'学习者'那'树'那'学习'，0.1）;

创建一个合奏抢劫。由于数据的分类不正确10％，因此可能是15％的错误目标是合理的。

RB1 = FitCensemble（Xtrain，Ytrain，'方法'那'robustboost'那......'numlearnicalnycle', 300,'学习者'那'树'那“RobustErrorGoal”，0.15，......“RobustMaxMargin”，1）;

请注意，如果将错误目标设置为足够高的值，则软件将返回错误。

创建一个具有非常乐观的错误目标的合奏，0.01：

RB2 = FitCensemble（Xtrain，Ytrain，'方法'那'robustboost'那......'numlearnicalnycle', 300,'学习者'那'树'那“RobustErrorGoal”，0.01）;

比较三个合奏的重新提交错误：

图绘图（RERUBLOS（RB1，'模式'那'累积'））;hold在绘图（RERBOLS（RB2，'模式'那'累积'），'r--'）;情节（Resubloss（Ada，'模式'那'累积'），'g。'）;hold关闭;Xlabel（'树的数量'）;ylabel（'重新提交错误'）;传奇(“ErrorGoal = 0.15”那'Errorgoal = 0.01'那......'adaboostm1'那“位置”那“不”）;

图包含轴。轴包含3个类型的线。这些对象表示ERRGOAL = 0.15，ERRERGOAL = 0.01，ADABOOSTM1。

全部抢劫曲线显示较低的重生误差adaboostm1.曲线。错误目标0.01曲线显示大部分范围内的最低重生误差。

xtest =兰特（2000,20）;YTEST = SUM（XTEST（：，1：5），2）> 2.5;idx = randsample（2000,200）;ytest（idx）=〜ytest（idx）;图;绘图（损失（RB1，XTEST，YTEST，'模式'那'累积'））;hold在情节(损失(Xtest而已,欧美,'模式'那'累积'），'r--'）;情节（亏损（ADA，XTEST，YTEST，'模式'那'累积'），'g。'）;hold关闭;Xlabel（'树的数量'）;ylabel（'测试错误'）;传奇(“ErrorGoal = 0.15”那'Errorgoal = 0.01'那......'adaboostm1'那“位置”那“不”）;

图包含轴。轴包含3个类型的线。这些对象表示ERRGOAL = 0.15，ERRERGOAL = 0.01，ADABOOSTM1。

错误目标0.15的误差曲线在绘制范围内最低（最佳）。adaboostm1.错误的误差高于误差目标0.15。对于太乐观的误差目标0.01的曲线比大多数绘制范围的其他算法保持在基本上更高（更差）。

另请参阅

||

相关的话题

统计和机器学习工具箱文档

金宝app

掌握机器学习：使用MATLAB逐步指南

掌握机器学习：使用MATLAB逐步指南

下载电子书