templateEnsemble
アンサンブル学習テンプレ，ト
説明
例
アンサンブル学習テンプレ，トの作成
templateEnsembleを使用して，アンサンブル学習テンプレ，トを指定します。アンサンブル法，学習サaaplクルの数，弱学習器の型を指定しなければなりません。たとえば，AdaBoostM1 法、100 個の学習器および分類木弱学習器を指定します。
t = templateEnsemble(“AdaBoostM1”, 100,“树”）
t =适合AdaBoostM1分类模板。类型:'classification'方法:'AdaBoostM1' LearnerTemplates: 'Tree' NLearn: 100 LearnRate: []
方法、类型LearnerTemplatesおよびNLearnを除き，テンプレ，トオブジェクトのすべてのプロパティは空です。学習の際，空のプロパティはそれぞれの既定値で入力されます。たとえば，LearnRateプロパティは，1で入力されます。
tはアンサンブル学習器の計画で，それを指定する場合，計算は実行されません。tをfitcecocに渡して，ecocマルチクラス学習のアンサンブルバeconcナリ学習器を指定できます。
Ecocマルチクラス学習のアンサンブルテンプレ，トの作成
fitcecocで使用するためのアンサンブルテンプレ，トを作成します。
不整脈デ，タセットを読み込みます。
负载心律失常汇总(分类(Y));
数值计数百分比1 245 54.20% 2 44 9.73% 3 15 3.32% 4 15 3.32% 5 13 2.88% 6 25 5.53% 73 0.66% 8 2 0.44% 99 1.99% 10 50 11.06% 14 4 0.88% 15 5 1.11% 16 22 4.87%
rng (1);%用于再现性
一部のクラスでは，デ，タ内の相対的頻度が小さいです。
分類木のAdaBoostM1アンサンブルに対するテンプレートを作成し,100個の学習器および0.1という縮小を使用するよう指定します。既定の設定では,ブースティングは切り株(たとえば葉のセットをもつ1つのノード)を成長させます。頻度の小さいクラスがあるので,少数のクラスが十分な感度をもつように,ツリーのリーフ数を多くしなければなりません。葉ノドの観測値の最小数を3に指定します。
树= templateTree(“MinLeafSize”, 20);t = templateEnsemble(“AdaBoostM1”、100、tTree“LearnRate”, 0.1);
方法と类型および関数呼び出し内の名前と値のペア引数の対応するプロパティを除き,テンプレートオブジェクトのすべてのプロパティは空です。tを学習関数に渡す場合，空のプロパティはそれぞれの既定値で入力されます。
tをecocマルチクラスモデルのバescナリ学習器として指定します。既定の1対1の符号化設計を使用して学習させます。
Mdl = fitcecoc(X,Y，“学习者”t);
MdlはClassificationECOCマルチクラスモデルです。Mdl。BinaryLearnersはCompactClassificationEnsembleモデルの78行1列のcell配列です。Mdl.BinaryLearners {j} .Trainedは,j= 1,……，78 の場合にCompactClassificationTreeモデルの100行1列のcell配列です。
视图を使用して，バaaplナリ学習器のいずれかが，切り株ではない弱学習器を含むことを検証できます。
视图(Mdl.BinaryLearners {1} .Trained {1},“模式”，“图”）
標本内(再代入)誤分類誤差を表示します。
L = resubLoss(Mdl，“LossFun”，“classiferror”）
L = 0.0819
ビン化と並列計算の使用によるecoc分類器の学習の高速化
代理分岐をも決定木のGentleBoostアンサンブルを使用して，1対他のecoc分類器に学習をさせます。学習を高速化するため，数値予測子をビン化し，並列計算を使用します。ビン化は，fitcecocが木学習器を使用する場合のみ有効です。学習後，10分割交差検証を使用して分類誤差を推定します。並列計算には并行计算工具箱™が必要であることに注意してください。
標本デ，タの読み込み
心律失常デ，タセットを読み込み検証します。
负载心律失常[n,p] = size(X)
N = 452
P = 279
isLabels =唯一的(Y);nLabels = number (isLabels)
nLabels = 13
汇总(分类(Y))
数值计数百分比1 245 54.20% 2 44 9.73% 3 15 3.32% 4 15 3.32% 5 13 2.88% 6 25 5.53% 73 0.66% 8 2 0.44% 99 1.99% 10 50 11.06% 14 4 0.88% 15 5 1.11% 16 22 4.87%
このデ，タセットには279個の予測子が含まれ，452という標本サ@ @ズは相対的に小さいものです。16 個の異なるラベルのうち、13 個のみが応答 (Y)で表現されています。各ラベルは不整脈のさまざまな段階を表しており，観測値の54.20%がクラス1に含まれています。
1対他ecoc分類器の学習
アンサンブルテンプレ，トを作成します。少なくとも3の引数を指定しなければなりません。手法，学習器の数，および学習器のタesc escプです。この例では，手法として“GentleBoost”，学習器の個数としてOne hundred.を指定します。欠損観測値があるので，代理分岐を使用する決定木テンプレ，トを指定します。
树= templateTree(“代孕”，“上”）;tEnsemble =模板集成(“GentleBoost”, 100年,tTree);
tEnsembleはテンプレ，トオブジェクトです。ほとんどのプロパティは空ですが，学習中に既定値が入力されます。
決定木のアンサンブルをバesc escナリ学習器として使用して，1対他のesc分類器を学習させます。学習を高速化するため，ビン化と並列計算を使用します。
ビン化(
“NumBins”,50岁) -学習デ，タセットが大きい場合，名前と値のペアの引数“NumBins”を使用することにより学習を高速化できます(精度が低下する可能性があります)。この引数は，fitcecocが木学習器を使用する場合のみ有効です。“NumBins”の値を指定した場合,指定した個数の同確率のビンにすべての数値予測子がビン化され,元のデータではなくビンのインデックスに対して木が成長します。はじめに“NumBins”,50岁を試してから，精度と学習速度に応じて“NumBins”の値を変更できます。並列計算 (
“选项”,statset (UseParallel,真的))——并行计算工具箱のライセンスがある場合,プール内のワーカーに各バイナリ学習器を送る並列計算を使用して,計算を高速化できます。ワ，カ，の個数はシステム構成によって異なります。デュアルコア以上のシステムの場合，バ化学键ナリ学習器に化学键いて決定木を使用すると，fitcecocは英特尔®スレッディングビルディングブロック(TBB)を使用して学習を並列化します。したがって，単一のコンピュ，タ，で“UseParallel”オプションを指定しても役に立ません。このオプションは，クラスタ，に対して使用します。
さらに，事前確率として1/Kを指定します。K= 13は異なるクラスの個数です。
选项= statset(“UseParallel”,真正的);Mdl = fitcecoc(X,Y，“编码”，“onevsall”，“学习者”tEnsemble,.．.“之前”，“统一”，“NumBins”, 50岁,“选项”、选择);
使用“本地”配置文件启动并行池(parpool)…连接到并行池(工人数:6)。
MdlはClassificationECOCモデルです。
交差検証
10分割交差検証を使用してecoc分類器の交差検証を実行します。
CVMdl = crossval(Mdl，“选项”、选择);
警告:一个或多个折叠不包含所有组中的点。
CVMdlはClassificationPartitionedECOCモデルです。少なくとも1。したがって，これらの分割は欠損クラスに対するラベルを予測できません。细胞のaaplンデックス指定とドット表記を使用して，分割の結果を調査できます。たとえば，1番目の分割の結果にアクセスするにはCVMdl。训练有素的{1}と入力します。
交差検証済みのecoc分類器を使用して，検証分割のラベルを予測します。混同行列は，confusionchartを使用して計算できます。内側の位置のプロパティを変更してチャートを移動およびサイズ変更することにより,行要約の内部にパーセントが表示されるようにします。
oolabel = kfoldPredict(cvdl，“选项”、选择);ConfMat =混淆表(Y, oolabel，“RowSummary”，“total-normalized”）;ConfMat。InnerPosition = [0.10 0.12 0.85 0.85];
ビン化されたデ，タの再現
学習済みモデルのBinEdgesプロパティと関数离散化を使用して，ビン化された予測子デ，タを再現します。
X = Mdl.X;预测数据Xbinned = 0(大小(X));edges = mld . binedges;查找已分类预测符的索引。idxNumeric = find(~cellfun(@isempty,edges));如果iscolumn(idxNumeric) idxNumeric = idxNumeric';结束为j = idxNumeric x = x (:，j);如果x是一个表，则将x转换为数组。如果stable(x) x = table2array(x);结束使用离散化函数将x分组到箱子中。Xbinned =离散化(x，[-inf;边缘{};正]);Xbinned(:，j) = Xbinned;结束
数値予測子の場合，1からビンの個数までの範囲にあるビンのンデックスがXbinnedに格納されます。カテゴリカル予測子の場合，Xbinnedの値は0になります。Xに南が含まれている場合，対応するXbinnedの値は南になります。
入力引数
出力引数
ヒント
NLearnは数十から数千までさまざまな数になります。通常，予測力が高いアンサンブルでは数百から数千の弱学習器が必要です。しかし，このような多数のサ。数十個の学習器の学習から開始してアンサンブルの性能を調査し，必要な場合は分類問題用の重新开始または回帰問題用の重新开始を使用して弱学習器の数を増やすことができます。アンサンブルの性能は，アンサンブルの設定と弱学習器の設定によって決まります。まり，既定のパラメーターを使用する弱学習器を指定すると、アンサンブルの性能が低下する可能性があります。このため、アンサンブルの設定と同じように、テンプレートを使用して弱学習器のパラメーターを調整し、汎化誤差が最小になる値を選択することをお勧めします。
重新取样を使用してリサンプリングを指定する場合は，デ，タセット全体に対してのリサンプリングをお勧めします。まり，FResampleの既定設定である1を使用します。分類問題の場合(;
类型が“分类”の場合)アンサンブル集約法(
方法)が“包”であり，誤分類コストが非常に不均衡である場合,在袋子の標本について,ペナルティが大きいクラスから一意な観測値がオーバーサンプリングされます。
クラスの事前確率の歪みが大きい場合,事前確率が大きいクラスから一意な観測値がオーバーサンプリングされます。
これらの組み合わせにより,標本サイズが小さい場合,ペナルティまたは事前確率が大きいクラスから抽出されるout-of-bag観測値の相対頻度が非常に低くなる可能性があります。この結果,out-of-bagの推定誤差の変動幅が非常に大きくなり,解釈が困難になる可能性があります。特に標本サイズが小さい場合に,out-of-bagの推定誤差の変動幅が大きくならないようにするには,近似関数の名前と値のペアの引数
成本を使用して誤分類コスト行列をより平衡にするか，近似関数の名前と値のペアの引数之前を使用して事前確率ベクトルの歪みを小さくします。一部の入力引数および出力引数の順序は学習データ内の各クラスに対応するので,近似関数の名前と値のペアの引数
一会を使用してクラスの順序を指定することをお勧めします。クラスの順序を簡単に求めるには,未分類の(つまり欠損ラベルがある)学習データからすべての観測値を削除し,個別のクラスがすべて含まれている配列を取得および表示してから,その配列を
一会に指定します。たとえば，応答変数 (Y)がラベルのcell配列であるとします。次のコ，ドは，変数一会でクラスの順序を指定します。Ycat =分类的(Y);classNames =类别(Ycat)
分类は<定义>を未分類観測値に割り当て，类别は<定义>を出力から除外します。したがって,このコードをラベルの细胞配列に対して使用するか,同様のコードを直言配列に対して使用すると,欠損ラベルがある観測値を削除しなくても各クラスのリストを取得できます。最小相当ラベルから最大相当ラベルの順になるように順序を指定するには,(前の項目のように)クラスの順序を簡単に求め,リスト内のクラスの順序を頻度順に変更してから,リストを
一会に渡します。前の例に従うと，次のコ，ドは最小相当から最大相当の順にクラスの順序をclassNamesLHで指定します。Ycat =分类的(Y);classNames =类别(Ycat);freq =计数猫(Ycat);[~，idx] = sort(freq);classNamesLH = classNames(idx);
アルゴリズム
アンサンブル集約アルゴリズムの詳細にいては，アンサンブルアルゴリズムを参照してください。
方法がブ，スティングアルゴリズム，学习者が決定木になるように指定した場合，既定では“切り株”が成長します。決定株は，2の終端ノド()。木の深さは，templateTreeを使用して名前と値のペアの引数MaxNumSplits、MinLeafSizeおよびMinParentSizeを指定することにより調整できます。在袋子の標本の生成では,誤分類コストが大きいクラスがオーバーサンプリングされ,誤分類コストが小さいクラスがアンダーサンプリングされます。その結果,out-of-bagの標本では,誤分類コストが大きいクラスの観測値は少なくなり,誤分類コストが小さいクラスの観測値は多くなります。小さなデータセットと歪みが大きいコスト行列を使用してアンサンブル分類を学習させる場合,クラスあたりのout-of-bagの観測値の数は非常に少なくなることがあります。そのため,推定されたout-of-bagの誤差の変動幅が非常に大きくなり,解釈が困難になる場合があります。事前確率が大きいクラスでも同じ現象が発生する場合があります。
アンサンブル集約法(
方法)がRUSBoostである場合，名前と値のペアの引数RatioToSmallestでは最小相当クラスに関して各クラスのサンプリングの比率を指定します。たとえば，学習デ，タにA および B という 2 つのクラスがあるとします。A には 100 個の観測値、B には 10 個の観測値が含まれています。また、最小相当クラスでは米個の観測値が学習デ，タに含まれているとします。“RatioToSmallest”,2を設定した場合，年代＊米2 * 10＝20.になります。したがって,すべての学習器の学習では,クラスの20個の観測値とクラスBの20個の観測値が使用されます。‘RatioToSmallest’,(2 - 2)を設定した場合も同じ結果になります。‘RatioToSmallest’,(2,1)を設定した場合，s1＊米2 * 10＝20.およびs2＊米1 * 10＝10になります。したがって,すべての学習器の学習では,クラスの20個の観測値とクラスBの10個の観測値が使用されます。
決定木のアンサンブルの場合とデュアルコア以上のシステムの場合，
fitcensembleとfitrensembleでは英特尔®スレッディングビルディングブロック(tbb)を使用して学習を並列化します。英特尔TBBの詳細に化学键いては，https://www.intel.com/content/www/us/en/developer/tools/oneapi/onetbb.htmlを参照してください。
バ，ジョン履歴
R2014bで導入
您也可以从以下列表中选择一个网站: