このページの翻訳は最新ではありません。ここをクリックして,英語の最新版を参照してください。
アンサンブル分類
アンサンブル分類は,重みを付けた複数の分類モデルの組み合わせから構成される予測モデルです。一般に,複数の分類モデルを組み合わせると予測の性能が向上します。
対話的に分類アンサンブルを調べるには,分類学習器アプリを使用します。柔軟性を向上させるためには,コマンドラインインターフェイスでfitcensembleを使用して,分類木をブースティングまたはバギングするか,ランダムフォレスト［12］を成長させます。サポートされるすべてのアンサンブルについての詳細は、アンサンブルアルゴリズムを参照してください。マルチクラス問題をバイナリ分類問題のアンサンブルに縮小するには,誤り訂正出力符号(ECOC)モデルを学習させます。詳細については,fitcecocを参照してください。
LSBoostを使用して回帰木をブースティングする方法と回帰木のランダムフォレスト［12］を成長させる方法については,アンサンブル回帰を参照してください。
アプリ
| 分類学習器 | 教師あり機械学習を使用して,データを分類するようにモデルを学習させる |
ブロック
| ClassificationEnsemble预测 | 決定木のアンサンブルを使用して観測値を分類 |
関数
クラス
トピック
アンサンブル分類器を作成および比較し,新しいデータについて予測を行うため学習済みモデルをエクスポートします。
多数の弱学習器を使用することにより,非常に正確な予測を行います。
さまざまなアンサンブル学習のアルゴリズムについて学びます。
単純なアンサンブル分類に学習をさせます。
アンサンブルの予測品質を評価する方法について学びます。
アンサンブル分類における不均衡データまたは一様ではない誤分類コストの処理
クラスの事前確率と誤分類コストを設定する方法について学びます。
1つ以上のクラスが大きい比率を占めるデータの場合は,分類にRUSBoostアルゴリズムを使用します。
LPBoostおよびTotalBoostアルゴリズムを使用して小さいアンサンブルを作成します。(LPBoostとTotalBoostには优化工具箱™が必要です)。
予測精度を高めるためにRobustBoostのパラメーターを調整します(RobustBoostには优化工具箱が必要です)。
代理分岐を使用して,欠損データがある場合の予測性能を向上させます。
バギングアンサンブルの並列で再現性のある学習を行う。
TreeBaggerの使用による分類木の引导聚合(バギング)
分類用のTreeBaggerアンサンブルを作成する。
この例では,自動信用格付けツールの作成方法を示します。
ランダム部分空間アンサンブルを使用して分類の精度を向上させます。
ClassificationEnsemble预测ブロックの使用によるクラスラベルの予測
最適なハイパーパラメーターでアンサンブル分類モデルの学習を行い,ClassificationEnsemble预测ブロックをラベル予測に使用する。
你也可以从以下列表中选择一个网站:
