包裹:classreg.learning.classif
超类:CompactClassificationEnsemble
合奏分类器
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。
使用“创建分类集合对象”fitcensemble
.
|
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 您可以复制被分类的预测器数据 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
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。 |
|
分类预测指标,指定为一个正整数向量。 |
|
中的元素列表 |
|
描述如何 |
|
方阵, |
|
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 |
|
拟合信息的数字数组。这 |
|
描述含义的字符矢量 |
|
超参数的交叉验证优化描述,存储为
|
|
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, |
|
描述创建方法的字符向量 |
|
训练参数 |
|
在训练数据中包含观测数的数值标量。 |
|
受过训练的弱学习者的数量 |
|
预测器变量的名称单元格数组,按它们出现的顺序排列 |
|
每个班级的先前概率的数字矢量。元素的顺序 |
|
描述原因的字符向量 |
|
字符矢量与响应变量的名称 |
|
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。 添加或更改 ens.ScoreTransform = '功能' 或 ens.ScoreTransform = @功能 |
|
训练的分类模型的细胞向量。
|
|
弱学习者的训练权重的数字矢量 |
|
逻辑矩阵大小 如果集合不是类型 |
|
按比例缩小的 |
|
训练集合的预测值矩阵或表。每一列的 |
|
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 |
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 |
价值。要了解值类如何影响复制操作,请参阅复制对象.
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{
对于使用LogitBoost或Langboost聚合的合奏。T.
} .compactregressionLearner)
视图(实体。训练有素的{
对于所有其他聚合方法。T.
})