与袋子外观测的集合预测
Y = OOBPREDICT(B)
Y = OOBPREDICT(B,名称,价值)
[y,stdevs] = OOBPREDICT(___)
[y,得分] = OOBPREDICT(___)
[y,scores,stdevs] = OOBPREDICT(___)
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。
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。