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
|
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 学習済みモデル 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
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。 |
|
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。 |
|
重複が削除された |
|
|
|
正方行列。 |
|
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, |
|
近似情報の数値配列。 |
|
配列 |
|
ハパパラメタの交差検証最適化の説明。
|
|
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, |
|
|
|
|
|
学習デタにある観測値の数を含む数値スカラ。 |
|
|
|
予測子変数の名前のcell配列。並びは |
|
各クラスの事前確率の数値ベクトル。 |
|
|
|
応答変数 |
|
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。 ドット表記を使用して関数 ens.ScoreTransform = 'function' または ens.ScoreTransform = @function |
|
学習済み分類モデルのcellベクトル。
|
|
|
|
サereplicationズ アンサンブルが |
|
スケ,ルされた |
|
アンサンブルに学習させた予測子の値の行列または表。 |
|
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。 |
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
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
})