包:classreg.learning.classif
紧凑的分类树
精简版的分类树(类的)ClassificationTree
).精简版不包括用于训练分类树的数据。因此,您不能使用紧凑的分类树执行某些任务,例如交叉验证。使用紧凑的分类树对新数据进行预测(分类)。
从完整的决策树构造紧凑的决策树。ctree
=紧凑(树
)
|
使用 |
|
分类预测指标,指定为一个正整数向量。 |
|
一个n-by-2 cell array |
|
一个n-by-2数组,其中包含每个节点的子节点编号 |
|
一个n——- - - - - -k中的节点的类计数数组 |
|
中的元素列表 如果属性的值至少有一个长度维度k,然后 |
|
一个n——- - - - - -k中的节点的类概率数组 |
|
方阵, |
|
一个n中分支使用的类别的单元格数组
|
|
一个n元素向量的值用作切入点
|
|
一个n中每个节点的切割类型
|
|
一个n中的每个节点中用于分支的变量名称的单元格数组
|
|
一个n中的每个节点中用于分支的变量的数字索引数组 |
|
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 |
|
一个n元素逻辑向量 |
|
一个n的每个节点中最有可能的类的名称 |
|
一个n中节点误差的元素向量 |
|
一个n中节点的概率的元素向量 |
|
一个n-树中节点风险的元素向量,其中n为节点数。每个节点的风险是该节点的杂质(基尼系数或偏差)的度量,由节点概率加权。如果树是按两步增长的,则每个节点的风险为零。 |
|
一个n中的节点大小的元素向量 |
|
节点的数量 |
|
一个n-元素向量,其中包含每个节点的父节点数 |
|
预测器变量名称的单元格数组,按它们出现的顺序排列 |
|
每个类的先验概率的数字向量。元素的顺序 |
|
数字向量,每个修剪级别有一个元素。修剪级别的取值范围为0 ~米,然后 |
|
一个n的每个节点中具有修剪级别的元素数值向量 |
|
描述响应变量的字符向量 |
|
用于转换分数的函数句柄,或表示内置转换函数的字符向量。 添加或更改 ctree。ScoreTransform = '函数”或ctree。ScoreTransform = @函数 |
|
一个n-element用于分割的代理项的单元格数组 |
|
一个n用于代理拆分的数字切割赋值的单元格数组 |
|
一个n用于代理的数值的单元格数组 |
|
一个n中每个节点的代理分割类型 |
|
一个n中每个节点中用于代理分割的变量名的单元格数组 |
|
一个n-element单元阵列的预测关联度量为代理分裂 |
compareHoldout |
使用新数据比较两个分类模型的准确性 |
边缘 |
分类的优势 |
收集 |
收集的属性统计和机器学习工具箱对象从GPU |
石灰 |
局部可解释的模型不可知解释(LIME) |
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 |
使用分类树预测标签 |
predictorImportance |
分类树中预测因子重要性的估计 |
沙普利 |
沙普利值 |
surrogateAssociation |
分类树中代理分裂关联的平均预测度量 |
更新 |
更新代码生成的模型参数 |
视图 |
视图分类树 |
价值。要了解值类如何影响复制操作,请参见复制对象.