Oobpredict.
与袋子外观测的集合预测
句法
Y = OOBPREDICT（B）
Y = OOBPREDICT（B，名称，价值）
[y，stdevs] = OOBPREDICT（___）
[y，得分] = OOBPREDICT（___）
[y，scores，stdevs] = OOBPREDICT（___）
描述
Y = OOBPREDICT（B）计算使用培训的装备器计算的预测响应B.用于训练数据的袋外观察。输出对训练数据中的每个观测结果都有一个预测。返回的Y是用于分类的字符向量的单元格数组和用于回归的数字数组。
Y = OOBPREDICT（B，使用一个或两个名称值对参数指定其他选项：名称，价值）
“树”- 用于计算响应的树索引数组。默认为'所有'。'treeweights'- 阵列ntree.从指定的树木加权投票的重量，在哪里ntree.是集合中的树木数量。
回归，[y，stdevs] = OOBPREDICT（___）还使用先前语法中的任何输入参数组合返回计算响应的标准偏差。
分类，[y，得分] = OOBPREDICT（___）也返回所有类的分数。分数是每个观察一行的矩阵，每类一列。对于每个袋子观察和每个类，由每棵树产生的分数是源自类的观察的概率，被计算为树叶中的类的观察分数。Oobpredict.把所有树的分数取个平均值。
[y，scores，stdevs] = OOBPREDICT（___）还返回计算分数的标准偏差进行分类。STDEVS.是一个矩阵，每个观察一行和每级列一列，标准偏差在成长的树木的集合中取出。
算法
Oobpredict.和预测类似地预测类和响应。
在回归问题中：
对于至少一棵树的每个观察，
Oobpredict.通过选择观察袋的树木的响应来组成加权均值。对于这个计算，'treeweights'名称-值对参数指定权重。对于所有树木的袋子中的每个观察，预测的响应是所有训练响应的加权均值。对于这个计算，
W.财产的treebagger模型(即观测权)指定了权值。
在分类问题中：
对于至少一棵树的每个观察，
Oobpredict.通过选择观察袋的树木来组成类后验概率的加权均值。因此，预测的类是对应于最大加权均值的类。对于这个计算，'treeweights'名称-值对参数指定权重。对于所有树木的袋子的每个观察，预测的类是所有培训响应的加权，最受欢迎的课程。对于这个计算，
W.财产的treebagger模型(即观测权)指定了权值。如果有多个最流行的类，Oobpredict.认为首先列出的人Classnames.财产的treebagger模型是最受欢迎的。
您还可以从以下列表中选择一个网站：
