분류앙상블

다중클래스 학습을 위한 부스팅, 랜덤 포레스트, 배깅, 랜덤 부분공간, ECOC 앙상블

분류앙상블분류의가중조합구성예측모델입니다입니다。일반적，여러분류을하면성능높아집니다높아집니다높아집니다。

분류앙상블대화형방식으로살펴보려면분류학습기앱을 사용하십시오. 명령줄 인터페이스에서FitCensemble을사용분류를부스팅배깅하거나랜덤포레스트[12]를성장유연성높일있습니다있습니다。지원되는앙상블에대한은은Ensemble Algorithms항목을 참조하십시오. 다중클래스 문제를 이진 분류 문제 앙상블로 줄이려면 오류 수정 출력 코드(ECOC) 모델을 훈련시키십시오. 자세한 내용은fitcecoc를 참조하십시오.

lsboost를사용회귀를부스팅회귀트리랜덤포레스트포레스트[12]를성장시키려면회귀앙상블을참조하십시오。

앱

분류학습기

머신러닝 지도 학습을 사용하여 데이터를 분류하도록 모델 훈련시키기

블록

分类安排预测

Classify observations using ensemble of decision trees

함수

모두확장

학습기템플릿만들기

`templateDiscriminant`	判别分析分类器模板
`templateECOC`	Error-correcting output codes learner template
`templateEnsemble`	Ensemble learning template
`templateKNN`	k-nearest neighbor classifier template
`Templatelinear`	Linear classification learner template
`TemplatenaiveBayes`	Naive Bayes classifier template
`TemplatesVM`	金宝app支持向量机模板
`Templatetree`	创建决策树模板

분류앙상블

분류앙상블만들기

`FitCensemble`	Fit ensemble of learners for classification
`compact`	Compact classification ensemble

분류앙상블수정하기

`恢复`	Resume training ensemble
`removeLearners`	删除紧凑型分类合奏成员

분류앙상블해석하기

`lime`	局部可解释的模型不足解释（石灰）
`partialDependence`	计算部分依赖性
`plotPartialDependence`	创建部分依赖图（PDP）和个人条件期望（ICE）图
`预测象征`	Estimates of predictor importance for classification ensemble of decision trees
`沙普利`	沙普利值

분류앙상블교차하기

`杂交`	交叉验证合奏
`kfoldedge`	交叉验证分类模型的分类边缘
`kfoldloss`	Classification loss for cross-validated classification model
`kfoldMargin`	Classification margins for cross-validated classification model
`kfoldPredict`	在交叉验证分类模型中分类观察结果
`kfoldfun`	分类的交叉验证函数

성능측정하기

`loss`	Classification error
`resubLoss`	Classification error by resubstitution
`compareHoldout`	Compare accuracies of two classification models using new data
`edge`	分类边缘
`利润`	Classification margins
`重新组`	分类边缘
`resubMargin`	Classification margins by resubstitution
`testckfold`	通过重复交叉验证比较两个分类模型的精度

관측값 분류하기

`predict`	Classify observations using ensemble of classification models
`重新提高`	分类模型合奏中的观察结果
`OOBPREDICT`	预测合奏的外部反应

분류앙상블의수집하기

`收集`	收集的属性Statistics and Machine Learning Toolbox来自GPU的对象

배깅분류트리

`treebagger`	결정트리배깅생성하기
`FitCensemble`	Fit ensemble of learners for classification
`predict`	Predict responses using ensemble of bagged decision trees
`OOBPREDICT`	集合预测击子外观测

다중ecoc

ECOC 만들기

`fitcecoc`	서포트벡터또는분류기에다중클래스모델피팅하기
`compact`	减少多类误差校正输出代码（ECOC）模型的尺寸

ECOC수정하기

丢弃的向量金宝app 在ECOC模型中金宝app丢弃线性SVM二进制学习者的支持向量

ECOC 해석하기

`lime`	局部可解释的模型不足解释（石灰）
`partialDependence`	计算部分依赖性
`plotPartialDependence`	创建部分依赖图（PDP）和个人条件期望（ICE）图
`沙普利`	沙普利值

ECOC 교차 검증하기

`杂交`	交叉验证多类误差校正输出代码（ECOC）模型
`kfoldedge`	交叉验证的ECOC模型的分类边缘
`kfoldloss`	Classification loss for cross-validated ECOC model
`kfoldMargin`	Classification margins for cross-validated ECOC model
`kfoldPredict`	在交叉验证的ECOC模型中分类观察结果
`kfoldfun`	Cross-validate function using cross-validated ECOC model

성능측정하기

`loss`	Classification loss for multiclass error-correcting output codes (ECOC) model
`resubLoss`	Resubstitution classification loss for multiclass error-correcting output codes (ECOC) model
`compareHoldout`	Compare accuracies of two classification models using new data
`edge`	多类误差校正输出代码（ECOC）模型的分类边缘
`利润`	多类误差校正输出代码（ECOC）模型的分类边距
`重新组`	多类误差校正输出代码（ECOC）模型的重述分类边缘
`resubMargin`	Resubstitution classification margins for multiclass error-correcting output codes (ECOC) model
`testckfold`	通过重复交叉验证比较两个分类模型的精度

관측값 분류하기

`predict`	使用多类误差校正输出代码（ECOC）模型对观察进行分类
`重新提高`	在多类误差校正输出代码（ECOC）模型中对观察结果进行分类

ECOC의의하기하기

`收集`	收集的属性Statistics and Machine Learning Toolbox来自GPU的对象

클래스

모두확장

분류앙상블

`ClassificationEnsemble`	合奏分类器
`CompactClassificationEnsemble`	紧凑分类合奏类
`分类分类安排`	交叉验证分类合奏

배깅분류트리

`treebagger`	决策树
`compacttreebagger`	Bootstrap聚合生长的决策树的紧凑合奏
`ClassificationBaggedEnsemble`	分类合奏通过重新采样而生长

다중ecoc

`分类`	Multiclass model for support vector machines (SVMs) and other classifiers
`compactclassificationecoc`	Compact multiclass model for support vector machines (SVMs) and other classifiers
`ClassificationPartitionedECOC`	支持向量机（SVM）和其他分类器的交叉验证多类ECOC模型金宝app

도움말 항목

使用分类学习者应用程序训练合奏分类器
创建和比较合奏分类器和导出训练有素的模型以对新数据进行预测。
合奏学习框架
通过使用许多弱学习者获得高度准确的预测。
Ensemble Algorithms
了解合奏学习的不同算法。
火车分类合奏
Train a simple classification ensemble.
Test Ensemble Quality
学习评估合奏的预测质量的方法。
处理分类合奏中的数据不平衡的数据或不平等的错误分类成本
Learn how to set prior class probabilities and misclassification costs.
Classification with Imbalanced Data
当您的数据中一个或多个类代表时，请使用Rusboost算法进行分类。
LPBoost and TotalBoost for Small Ensembles
使用LPBoost和TotalBoost算法创建小合奏。（LPBoost和TotalBoost需要优化工具箱™。）
曲调稳健
调整鲁棒启动参数，以提高预测精度。（鲁棒Boost需要优化工具箱。）
Surrogate Splits
Gain better predictions when you have missing data by using surrogate splits.
火车分类合奏in Parallel
训练可再生产地并行袋装合奏。
使用TreeBagger的分类树的引导程序聚合（包袋）
创建一个treebaggerensemble for classification.
决策树的信用评级
此示例显示了如何构建自动信用评级工具。
随机子空间分类
Increase the accuracy of classification by using a random subspace ensemble.
Predict Class Labels Using ClassificationEnsemble Predict Block
Train a classification ensemble model with optimal hyperparameters, and then use the分类安排预测标签预测的块。