ClassificationEnsemble

包裹：classreg.learning.classif
超类：CompactClassificationEnsemble

合奏分类器

全部展开页面

描述

ClassificationEnsemble结合一组训练过的弱学习者模型和这些学习者训练过的数据。它可以通过聚合弱学习者的预测来预测新数据的集成响应。它存储用于训练的数据，可以计算重新替换预测，如果需要，还可以恢复训练。

建设

使用“创建分类集合对象”fitcensemble．

属性

`BinEdges`	数字预测器的Bin边缘，指定为单元数组P.数值向量,P.是预测器的数量。每个矢量包括数字预测器的BIN边缘。用于分类预测器的单元阵列中的元素是空的，因为软件没有箱分类预测器。仅当您指定的时，软件箱为数字预测器`“NumBins”`当使用树学习器训练模型时，将名称-值参数作为正整数标量。这`BinEdges`属性为空`“NumBins”`值为空（默认）。您可以复制被分类的预测器数据`Xbinned.`通过使用`BinEdges`训练模型的性质`MDL.`． X = mdl.X;%预测数据Xbinned = 0 (size(X));边缘= mdl.BinEdges;找到被分类的预测器的指数。idxNumeric =找到(~ cellfun (@isempty边缘));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 istable(x) x = table2array(x);将x组到bin中`离散化`函数。xbinned =离散化(x,[无穷;边缘{};正]);Xbinned (:, j) = Xbinned;结束 `Xbinned.`包含用于数字预测器的容器索引，范围从1到容器数量。`Xbinned.`分类预测器的值为0。如果`X`包含`南`S，然后对应的`Xbinned.`价值是`南`年代。
`CategoricalPredictors`	分类预测指标，指定为一个正整数向量。`CategoricalPredictors`包含指示对应的预测器是分类的索引值。索引值在1到之间`P.`,在那里`P.`为用于训练模型的预测器数量。如果没有任何预测器是绝对的，则此属性为空(`［］`）。
`Classnames.`	中的元素列表`y`删除重复的。`Classnames.`可以是数字向量、类别向量、逻辑向量、字符数组或字符向量的单元格数组。`Classnames.`是否与参数中的数据具有相同的数据类型`y`．（软件将字符串数组视为字符向量的单元格阵列。）
`CombineWeights`	描述如何`奴隶`也可以结合弱学习者权重`“WeightedSum”`或`“WeightedAverage”`．
`成本`	方阵,`成本（i，j）`将一个点分类的成本是多少`j`如果它真正的阶级是`一世`（行对应于True类，列对应于预测类）。行和列的顺序`成本`对应于类的顺序`Classnames.`．中的行数和列数`成本`是响应中唯一类的数量。此属性是只读的。
`ExpandedPredictorNames`	扩展的预测器名称，存储为字符向量的单元格数组。如果模型使用对分类变量的编码，那么`ExpandedPredictorNames`包括描述扩展变量的名称。否则,`ExpandedPredictorNames`是相同的`PredictorNames`．
`FitInfo.`	拟合信息的数字数组。这`fitinfodescription.`属性描述此阵列的内容。
`fitinfodescription.`	描述含义的字符矢量`FitInfo.`大批。
`HyperParameterOptimationResults.`	超参数的交叉验证优化描述，存储为`BayesianOptimization`对象或超参数和关联值表。非空的何时`OptimizeHyperparameters`名称 - 值对在创建时是非空的。值取决于设置的设置`HyperParameterOptimizationOptions.`创建中的名称值对： `'Bayesopt'`（默认） - 类的对象`BayesianOptimization` `'gridsearch'`或`“randomsearch”`-使用的超参数表，观测到的目标函数值(交叉验证损失)，以及观测值从最低(最好)到最高(最差)的排序
`LearnerNames`	字符向量的细胞阵列，集合中的弱学习者名称。每个学习者的名称只出现一次。例如，如果你有100棵树的合奏，`LearnerNames`是`{'树'}`．
`方法`	描述创建方法的字符向量`奴隶`．
`ModelParameters.`	训练参数`奴隶`．
`numobservations.`	在训练数据中包含观测数的数值标量。
`NumTrained`	受过训练的弱学习者的数量`奴隶`一个标量。
`PredictorNames`	预测器变量的名称单元格数组，按它们出现的顺序排列`X`．
`之前`	每个班级的先前概率的数字矢量。元素的顺序`之前`对应于类的顺序`Classnames.`．元素的数量`之前`是响应中唯一类的数量。此属性是只读的。
`ReasonForTermination`	描述原因的字符向量`fitcensemble`停止向合奏添加弱的学习者。
`ractoreName.`	字符矢量与响应变量的名称`y`．
`ScoreTransform`	用于转换分数的函数句柄，或表示内置转换函数的字符向量。`'没有任何'`意味着没有转型;同等，`'没有任何'`意味着`@（x）x`．有关内置转换函数的列表和自定义转换函数的语法，请参见`fitctree`．添加或更改`ScoreTransform`函数使用点表示法: ens.ScoreTransform = '功能' 或 ens.ScoreTransform = @功能
`训练有素的`	训练的分类模型的细胞向量。如果`方法`是`“LogitBoost”`或`'温船'`，然后`ClassificationEnsemble`商店训练学习者`j`在`compactregressionlearner`存储在的对象的属性`训练有素的{j}`．也就是说，接触训练有素的学习者`j`,使用`ens.Trained {j｝．compactregressionlearner`．否则，细胞向量的细胞包含相应的紧凑分类模型。
`训练有素`	弱学习者的训练权重的数字矢量`奴隶`．`训练有素`有`T.`元素,`T.`弱学习者的人数在多少`学习者`．
`UsePredForLearner`	逻辑矩阵大小`P.`——- - - - - -`NumTrained`,在那里`P.`是训练数据中的预测器（列）的数量`X`．`UsePredForLearner (i, j)`是`真的`当学习者时`j`使用预测`一世`，并且是`错误的`否则。对于每个学习者，预测器的顺序与训练数据中的列相同`X`．如果集合不是类型`子空间`，所有参赛作品`UsePredForLearner`是`真的`．
`W.`	按比例缩小的`重量`，一个有长度的向量`N.`，行数`X`．元素的和`W.`是`1`．
`X`	训练集合的预测值矩阵或表。每一列的`X`表示一个变量，每行代表一个观察。
`y`	数字矢量，分类矢量，逻辑向量，字符数组或字符向量的单元格数组。每一排`y`的对应行的分类`X`．

对象功能

`紧凑的`	紧凑型分类集合
`CompareSheut.`	使用新数据比较两个分类模型的准确性
`横梁`	旨在合奏
`边缘`	分类的优势
`收集`	收集的属性统计和机器学习工具箱对象从GPU
`石灰`	本地可解释模型 - 不可知的解释（石灰）
`损失`	分类错误
`保证金`	分类的利润率
`部分竞争`	计算部分依赖
`plotPartialDependence`	创建部分依赖绘图（PDP）和个人有条件期望（ICE）绘图
`预测`	使用分类模型的集合分类观察
`预测算法`	估计决策树分类集合的预测性重要性
`重新提交`	补偿分类边缘
`resubloss.`	重新提交的分类错误
`resubMargin`	通过重新提交分类利润
`重新预订`	在分类模型集合中对观察进行分类
`恢复`	恢复训练合奏
`福芙`	沙普利值
`testckfold`	通过重复交叉验证比较两种分类模型的准确率

复制语义

价值。要了解值类如何影响复制操作，请参阅复制对象．

例子

全部收缩

火车增强分类集合

打开直播脚本

加载电离层数据集。

加载电离层

使用所有的测量值和AdaBoostM1方法。

Mdl = fitcensemble (X, Y,“方法”那'adaboostm1'的）

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

MDL.是一个ClassificationEnsemble模型对象。

mdl.tromed.是存储训练有素的分类树的100×1个细胞矢量的财产（CompactClassificationTree模型对象）构成合奏。

绘制第一个训练的分类树的图。

查看（mdl.tromed {1}，'模式'那“图”的）

Figure Classification Tree Viewer包含轴对象和类型UIMenu，UIControl的其他对象。轴对象包含36个类型的线，文本。

默认情况下,fitcensemble种植浅的树木，以增强树木的整体效果。

预测的平均值的标签X．

predMeanX =预测(Mdl,意味着(X))

predMeanX =1 x1单元阵列{' g '}

提示

对于分类树的集合训练有素的财产奴隶存储一个ens.NumTrained紧凑分类模型的-by-1细胞向量。用于树的文本或图形显示T.在细胞向量中，输入：

视图(实体。训练有素的{T.} .compactregressionLearner）对于使用LogitBoost或Langboost聚合的合奏。
视图(实体。训练有素的{T.}）对于所有其他聚合方法。

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和C ++代码。

使用注意事项及限制:

这预测函数支持代码生成。金宝app
将Ensemble的预测集成到Simulink中金宝app^®，你可以使用ClassificationEnsemble预测块在统计和机器学习工具箱™库或MATLAB^®函数块预测函数。
使用时培训合奏fitcensemble，集成中使用的弱学习者的代码生成限制也适用于集成。有关更多详细信息，请参阅ClassificationKNN那CompactClassificationDiscriminant，和CompactClassificationTree．
对于定点代码生成，必须使用树学习器训练集成。