分类集合体

用于多类学习的Boosting、随机森林、bagging、随机子空间和ECOC集成

分类集成是由多个分类模型加权组合而成的预测模型。一般来说，结合多个分类模型可以提高预测性能。

要以交互方式探索分类集合，请使用分类学习者要获得更大的灵活性，请使用fitcensemble在命令行界面中增强或包分类树，或生长一个随机森林［12］．有关所有受支持的集成的详细信息，请参见金宝app整体算法．为了将一个多类问题简化为二进制分类问题的集合，训练一个纠错输出码(ECOC)模型。有关详细信息,请参见fitcecoc．

使用LSBoost增强回归树，或生长一个随机回归树森林［12］,请参阅回归集合体．

应用程序

分类学习者

使用有监督的机器学习训练模型来分类数据

块

ClassificationEnsemble预测

使用决策树的集合对观察结果进行分类

功能

全部展开

创建学习者模板

`templateDiscriminant`	判别分析分类器模板
`templateECOC`	错误校正输出代码学习模板
`templateEnsemble`	整体学习模板
`templateKNN`	k-最近邻分类器模板
`templateLinear`	线性分类学习模板
`templateNaiveBayes`	朴素贝叶斯分类器模板
`templateSVM`	金宝app支持向量机模板
`templateTree`	创建决策树模板

系综分类

创建分类合奏

`fitcensemble`	适合学习者的分类集合
`紧凑的`	紧凑的系综分类

修改分类合奏

`的简历`	恢复训练合奏
`removeLearners`	删除紧凑分类集合的成员

解释分类合奏

`石灰`	局部可解释的模型不可知解释(LIME)
`partialDependence`	计算部分依赖
`plotPartialDependence`	创建部分依赖图(PDP)和个人条件期望图(ICE)
`predictorImportance`	决策树分类集成中预测器重要性的估计
`沙普利`	沙普利值

旨在分类合奏

`crossval`	旨在合奏
`kfoldEdge`	交叉验证分类模型的分类边缘
`kfoldLoss`	交叉验证分类模型的分类损失
`kfoldMargin`	交叉验证分类模型的分类裕度
`kfoldPredict`	在交叉验证的分类模型中对观察进行分类
`kfoldfun`	交叉验证功能进行分类

测量性能

`损失`	分类错误
`resubLoss`	再代换造成的分类错误
`compareHoldout`	使用新数据比较两个分类模型的准确性
`边缘`	分类的优势
`保证金`	分类的利润率
`resubEdge`	边的再替换分类
`resubMargin`	再替换的分类边缘
`testckfold`	通过重复交叉验证比较两种分类模型的准确率

分类的观察

`预测`	使用分类模型的集合对观测结果进行分类
`resubPredict`	在分类模型集合中对观察进行分类
`oobPredict`	预测总体的包外响应

分类集成的集合性质

`收集`	收集的属性统计和机器学习工具箱对象从GPU

袋装分类树

`TreeBagger`	创建决策树包
`fitcensemble`	适合学习者的分类集合
`预测`	使用袋装决策树预测响应
`oobPredict`	包外观测的集合预测

多级ECOC

创建ECOC

`fitcecoc`	适合支持向量机或其他分类器的多类模型金宝app
`紧凑的`	减小多类纠错输出码(ECOC)模型的尺寸

修改ECOC

discard金宝appSupportVectors 丢弃ECOC模型金宝app中线性支持向量机二进制学习器的支持向量

解释ECOC

`石灰`	局部可解释的模型不可知解释(LIME)
`partialDependence`	计算部分依赖
`plotPartialDependence`	创建部分依赖图(PDP)和个人条件期望图(ICE)
`沙普利`	沙普利值

旨在ECOC

`crossval`	交叉验证多类纠错输出码(ECOC)模型
`kfoldEdge`	交叉验证ECOC模型的分类边缘
`kfoldLoss`	交叉验证ECOC模型的分类损失
`kfoldMargin`	交叉验证ECOC模型的分类裕度
`kfoldPredict`	在交叉验证的ECOC模型中对观测结果进行分类
`kfoldfun`	使用交叉验证ECOC模型进行交叉验证