ClassificationEnsemble

パッケ，ジ:classreg.learning.classif
ス，パ，クラス:CompactClassificationEnsemble

アンサンブル分類器

説明

ClassificationEnsembleは，学習済みの弱学習器モデルのセット，およびそれらの学習器が学習を行ったデ，タを結合します。この関数では,弱学習器からの予測を集約することにより,新しいデータに対するアンサンブル応答を予測できます。学習に使用したデ，タが格納され，再代入予測を計算することができ，必要な場合は学習を再開できます。

構築

アンサンブル分類オブジェクト(实体)を作成するには，fitcensembleを使用します。

プロパティ

`BinEdges`	数値予測子のビンのエッジ。p個の数値ベクトルが含まれている cell 配列を指定します。p は予測子の個数です。各ベクトルには、数値予測子のビンのエッジを含めます。カテゴリカル予測子はビン化されないので、カテゴリカル予測子の場合は、この cell 配列の要素を空にします。数値予測子がビン化されるのは，木学習器を使用してモデルに学習をさせるときに名前と値の引数`“NumBins”`として正の整数スカラ，を指定した場合だけです。`“NumBins”`の値が空(既定)である場合，`BinEdges`プロパティは空になります。学習済みモデル`mdl`の`BinEdges`プロパティを使用することにより，ビン化された予測子デ，タ`Xbinned`を再現できます。 X = mdl.X;%预测数据Xbinned = 0(大小(X));edges = mdl.BinEdges;查找已分类预测符的索引。idxNumeric = find(~cellfun(@isempty,edges));if iscolumn(idxNumeric) idxNumeric = idxNumeric';end for j = idxNumeric x = x (:，j);如果x是一个表，则将x转换为数组。If stable(x) x = table2array(x);将x分组到箱子中`离散化`函数。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。
`CategoricalPredictors`	カテゴリカル予測子の@ @ンデックス。正の整数のベクトルとして指定します。`CategoricalPredictors`には，対応する予測子がカテゴリカルであることを示す。ンデックス値の範囲は1 ~`p`です。`p`はモデルの学習に使用した予測子の数です。どの予測子もカテゴリカルではない場合、このプロパティは空(`［］`)になります。
`一会`	重複が削除された`Y`の要素のリスト。`一会`には,数値ベクトル,直言ベクトル,逻辑ベクトル,文字配列,文字ベクトルの细胞配列のいずれかを指定できます。`一会`のデ，タ型は，引数`Y`のデ，タ型と同じです。(字符串配列は文字ベクトルのcell配列として扱われます)。
`CombineWeights`	`实体`による弱学習器の重みの結合法を説明する文字ベクトル。`“WeightedSum”`または`“WeightedAverage”`のどらかになります。
`成本`	正方行列。`成本(i, j)`は真のクラスが`我`である点をクラス`j`に分類するコストです(行は真のクラス，列は予測したクラスに対応します)。`成本`の行と列の順序は，`一会`のクラスの順序に対応します。`成本`の行および列の数は，応答に含まれている一意なクラスの数です。このプロパティは読み取り専用です。
`ExpandedPredictorNames`	展開された予測子名。文字ベクトルのcell配列として格納されます。モデルがカテゴリカル変数用のエンコ，ディングを使用している場合，`ExpandedPredictorNames`には展開された変数を表す名前が格納されます。それ以外の場合，`ExpandedPredictorNames`は`PredictorNames`と同じです。
`FitInfo`	近似情報の数値配列。`FitInfoDescription`プロパティは，この配列の内容を記述します。
`FitInfoDescription`	配列`FitInfo`の意味を表す文字ベクトル。
`HyperparameterOptimizationResults`	ハパパラメタの交差検証最適化の説明。`BayesianOptimization`オブジェクト，またはハパパラメタおよび関連する値が含まれているテブルとして格納されます。作成時に名前と値のペア`OptimizeHyperparameters`が空ではない場合，これは空ではありません。値は，作成時の名前と値のペア`HyperparameterOptimizationOptions`の設定によって決まります。 `“bayesopt”`(既定)-`BayesianOptimization`クラスのオブジェクト `“gridsearch”`または`“randomsearch”`——使用したハイパーパラメーター,観測された目的関数の値(交差検証損失),および最低(最良)から最高(最悪)までの観測値の順位が格納されているテーブル
`LearnerNames`	アンサンブルに含まれている弱学習器の名前をも文字ベクトルのcell配列。各学習器の名前は一度だけ現れます。たとえば，リが100本のアンサンブルの場合は，`LearnerNames`は`{'树'}`になります。
`方法`	`实体`を作成する方法を表す文字ベクトル。
`ModelParameters`	`实体`の学習に使用されるパラメタ。
`NumObservations`	学習デタにある観測値の数を含む数値スカラ。
`NumTrained`	`实体`の学習済みの弱学習器の数，スカラ。
`PredictorNames`	予測子変数の名前のcell配列。並びは`X`に現れる順です。
`之前`	各クラスの事前確率の数値ベクトル。`之前`の要素の順序は，`一会`のクラスの順序に対応します。`之前`の要素数は，応答に含まれている一意なクラスの数です。このプロパティは読み取り専用です。
`ReasonForTermination`	`fitcensemble`がアンサンブルへの弱学習器の追加を停止した理由を表す文字ベクトル。
`ResponseName`	応答変数`Y`の名前をも文字ベクトル。
`ScoreTransform`	スコア変換用の関数ハンドル，または組み込みの変換関数を表す文字ベクトル。`“没有”`は変換なしを意味します。等価的には，`“没有”`は`@ x (x)`です。組み込みの変換関数のリストとカスタム変換関数の構文は，`fitctree`を参照してください。ドット表記を使用して関数`ScoreTransform`を追加または変更します。 ens.ScoreTransform = 'function' または ens.ScoreTransform = @function
`训练有素的`	学習済み分類モデルのcellベクトル。 `方法`が`“LogitBoost”`または`“GentleBoost”`の場合，`ClassificationEnsemble`は`训练有素的{j｝`に格納されているオブジェクトの`CompactRegressionLearner`プロパティに学習済みの学習器`j`を格納します。まり，学習済み学習器`j`にアクセスするには，`ens.Trained {j}。CompactRegressionLearner`を使用します。それ以外の場合，対応するコンパクトな分類モデルが单元格ベクトルのセルに格納されます。
`TrainedWeights`	`实体`の弱学習器のための学習済み重みを表す数値ベクトル。`TrainedWeights`には`T`個の要素があり，`T`は`学习者`の弱学習器の数を表します。
`UsePredForLearner`	サereplicationズ`P`行`NumTrained`列の逻辑行列であり，ここで，`P`は学習デ，タ`X`の予測子(列)の数です。`UsePredForLearner (i, j)`は，学習器`j`が予測子`我`を使用するときに`真正的`になり，それ以外の場合は`假`になります。それぞれの学習器に対して，予測子は学習デ，タ`X`の列と同じ順序になります。アンサンブルが`子空间`型ではない場合，`UsePredForLearner`内のすべてのエントリは`真正的`です。
`W`	スケ，ルされた`权重`，長さ`n`のベクトル，`X`の行の数。`W`の要素の合計は`1`です。
`X`	アンサンブルに学習させた予測子の値の行列または表。`X`の各列が1の変数を表し，各行が1。
`Y`	数値ベクトル,直言ベクトル,逻辑ベクトル,文字配列,または文字ベクトルの细胞配列。`Y`の各行は，`X`の対応する行の分類を表します。

オブジェクト関数

`紧凑的`	コンパクトなアンサンブル分類
`compareHoldout`	新しいデタを使用して2の分類モデルの精度を比較
`crossval`	アンサンブルの交差検証
`边缘`	分類エッジ
`收集`	Gpuからの统计和机器学习工具箱オブジェクトのプロパティの収集
`石灰`	局部可解释模型不可知解释(LIME)
`损失`	分類誤差
`保证金`	分類マ，ジン
`partialDependence`	部分従属の計算
`plotPartialDependence`	部分依存プロット(pdp)および個別条件付き期待値(ice)プロットの作成
`预测`	分類モデルのアンサンブルを使用して観測値を分類
`predictorImportance`	決定木の分類アンサンブルに関する予測子の重要度の推定
`resubEdge`	再代入による分類エッジ
`resubLoss`	再代入による分類誤差
`resubMargin`	再代入による分類マ，ジン
`resubPredict`	分類モデルのアンサンブル内の観測値を分類
`重新开始`	学習アンサンブルの再開
`沙普利`	シャプレ値
`testckfold`	交差検証の反復により2の分類モデルの精度を比較

コピ，のセマンティクス

値。値のクラスがコピ操作に与える影響にいては，オブジェクトのコピを参照してください。

例

すべて折りたたむ

ブ，スティング分類アンサンブルに学習をさせる

ラ@ @ブスクリプトを開く

电离层デ，タセットを読み込みます。

负载电离层

すべての測定値とAdaBoostM1メソッドを使用して，100本の分類木があるブ，スティングアンサンブルに学習をさせます。

Mdl = fitcensemble(X,Y，“方法”，“AdaBoostM1”）

Mdl = ClassificationEnsemble ResponseName: 'Y' CategoricalPredictors: [] ClassNames: {'b' 'g'} ScoreTransform: 'none' NumObservations: 351 NumTrained: 100 Method: 'AdaBoostM1' LearnerNames: {'Tree'} reasonforterminate: '完成所要求的训练周期数后正常终止。'FitInfo: [100x1 double] FitInfoDescription: {2x1 cell}属性，方法

MdlはClassificationEnsembleモデルオブジェクトです。

Mdl。Trainedは、アンサンブルを構成する学習済み分類木(CompactClassificationTreeモデルオブジェクト)の100行1列の细胞ベクトルが格納されているプロパティです。

1番目の学習済み分類木のグラフをプロットします。

视图(Mdl。训练有素的{1｝，“模式”，“图”）

既定の設定では，fitcensembleは木のブ，スティングアンサンブルに対して浅い木を成長させます。

Xの平均のラベルを予測します。

predMeanX = predict(Mdl,mean(X))

predMeanX =1x1单元阵列{' g '}

ヒント

分類木のアンサンブルの場合，コンパクトな分類モデルから成るens.NumTrained行1列のcellベクトルが实体の训练有素的プロパティに格納されます。细胞ベクトルの木tをテキストまたはグラフィックで表示するには，以下を入力します。

LogitBoostまたはGentleBoostを使用して集約したアンサンブルの場合は"视图(实体。训练有素的{t} .CompactRegressionLearner)」。
他のすべての集約方法の場合は”视图(实体。训练有素的{t})」。

拡張機能

C/ c++コ，ド生成
MATLAB®Coder™を使用してCおよびc++コドを生成します。

使用上の注意事項および制限事項:

関数预测はコ，ド生成をサポ，トします。
金宝app^®にアンサンブルの予測を統合するには,统计和机器学习工具箱™ライブラリにあるClassificationEnsemble预测ブロックを使用するか，matlab^®功能ブロックを関数预测と共に使用します。
fitcensembleを使用してアンサンブルに学習をさせる場合,アンサンブルで使用する弱学習器に対するコード生成の制限はアンサンブルにも適用されます。詳細にいては，ClassificationKNN、CompactClassificationDiscriminantおよびCompactClassificationTreeの“コ，ド生成”セクションを参照してください。
固定小数点コ，ドの生成では，リ，学習器を使用してアンサンブルに学習させなければなりません。

詳細は，コ，ド生成の紹介を参照してください。

Gpu配列
并行计算工具箱™を使用してグラフィックス処理装置(GPU)上で実行することにより,コードを高速化します。

使用上の注意事項および制限事項:

次のオブジェクト関数はgpu配列を完全にサポ，トしています。
次のオブジェクト関数はgpu配列のサポ，トに制限があります。
オブジェクト関数は次のいずれかに該当する場合にgpuで実行されます。
- モデルがgpu配列を使用して当てはめられている。
- オブジェクト関数に渡す予測子デタがgpu配列である。

詳細は，Gpuでのmatlab関数の実行(并行计算工具箱)を参照してください。

バ，ジョン履歴

R2011aで導入

すべて展開する

R2022a:`成本`プロパティにユ，ザ，指定のコスト行列を格納

R2022a以降では，指定したコストの値を使用して観測誤分類コストを計算できるように，成本プロパティにユ，ザ，指定のコスト行列が格納されます。ソフトウェアで格納される正規化された事前確率(之前)と観測値の重み(W)には，コスト行列で指定されているペナルティは反映されていません。観測誤分類コストを計算するには，関数损失またはresubLossを呼び出すときに名前と値の引数LossFunを“classifcost”として指定します。

モデルの学習は変更されていないため，クラス間の判定境界には変更がないことに注意してください。

学習用に,指定した事前確率が近似関数によって更新され,指定したコスト行列で指定されているペナルティが組み込まれます。さらに，事前確率と観測値の重みが正規化されます。この動作は変更されていません。以前のリリ，スでは，成本プロパティには既定のコスト行列が格納され，之前プロパティとWプロパティには学習に使用される事前確率と観測値の重みがそれぞれ格納されていました。R2022a以降では,ユーザー指定のコスト行列が変更なしで格納され,コストのペナルティが反映されていない正規化された事前確率と観測値の重みが格納されます。詳細にいては，誤分類コスト行列，事前確率，および観測値の重みを参照してください。

成本、之前，およびWの各プロパティを使用するオブジェクト関数の一部を次に示します。

関数损失およびresubLossは，名前と値の引数LossFunを“classifcost”または“mincost”として指定した場合，成本プロパティに格納されたコスト行列を使用します。
関数损失および边缘は，入力デ，タの観測値の重みを正規化するために，之前プロパティに格納された事前確率を使用します。
関数resubLossおよびresubEdgeは,Wプロパティに格納された観測値の重みを使用します。

分類モデルに学習させるときに既定以外のコスト行列を指定すると,オブジェクト関数で以前のリリースとは異なる値が返されます。

ソフトウェアでコスト行列，事前確率，および観測値の重みを以前のリリ，スと同じように扱う場合は，誤分類コスト行列に応じた事前確率と観測値の重みの調整の説明に従って，既定以外のコスト行列の事前確率と観測値の重みを調整します。その後，分類モデルに学習させるときに，調整後の事前確率と観測値の重みを名前と値の引数之前と权重を使用して指定し，既定のコスト行列を使用します。