使用袋装分类树的手写识别

此示例显示了如何使用袋装分类树的集合识别手写数字。手写数字的图像首先用于培训单个分类树，然后是200个决策树的集合。使用混淆矩阵将各自的分类性能与彼此相媲美。

加载培训和测试数据

有关获取数据集的信息，请参阅参考文章。

清除负载（'USPS_ALL'）;recent_dim = false;X = DOUBLE（REPAPE（数据，256,11000）'）;ylabel = [1：9 0];y =重塑（Repmat（Ylabel，1100,1），11000,1）;Clearvars.数据

可视化六个随机手写样本

图1）为了II = 1：6子图（2,3，II）RAND_NUM = RANDPERM（11000,1）;图像（Rehape（x（rand_num，:)，16,16））标题（（y（rand_num）），'字体大小'，20）轴离开结尾COLOROMAP.灰色的

将数据随机分区为培训和验证集

cv = cvpartition（y，'坚持'，.5）;xtrain = x（cv.training，:);Ytrain = Y（CV.Tring，1）;xtest = x（cv.test，:);ytest = y（cv.test，1）;

使用单个分类树火车和预测

mdl_ctree = classificationtree.fit（Xtrain，Ytrain）;ypred = predict（mdl_ctree，xtest）;confmat_ctree = confusionmat（ytest，Ypred）;

用袋装决策树训练和预测

mdl = fitysemble（xtrain，ytrain，'包'，200，'树'那'类型'那'分类'）;ypred =预测（mdl，xtest）;confmat_bag = confusionmat（ytest，ypred）;

比较混乱的矩阵

图，Heatmap（Confmat_Ctree，0：9,0：9,1，'colormap'那'红色的'那'showallticks'，1，'USELOGCORORMAP'，真的，'colorbar'，真的）;标题（'混乱矩阵：单分类树'）图，Heatmap（Confmat_bag，0：9,0：9,1，'colormap'那'红色的'那'showallticks'，1，'USELOGCORORMAP'，真的，'colorbar'，真的）;标题（'混乱矩阵：袋装分类树的集合'）

由于混淆矩阵更为显着对角线，因此袋装分类树比训练集上的单个分类树更好。

可视化使用可定制的热图。

参考和许可证

图像的MAT文件位于这里。