分类合奏
分类合奏是由多个分类模型的加权组合组成的预测模型。通常，组合多个分类模型会提高预测性能。
To explore classification ensembles interactively, use the分类学习者应用程序。为了更大的灵活性，请使用fitcensemble在命令行界面中以增加或袋子分类树，或种植随机森林[12]。有关所有受支持的合奏的详细信息，请参阅金宝app合奏算法。为了将多类问题减少到二进制分类问题的集合中，请训练错误校正的输出代码（ECOC）模型。有关详细信息，请参阅fitcecoc。
To boost regression trees using LSBoost, or to grow a random forest of regression trees[12], seeRegression Ensembles。
Apps
| 分类学习者 | 火车模型使用监督的机器学习对数据进行分类 |
块
| 分类安排Predict | 使用决策树的合奏对观察进行分类 |
Functions
Classes
Topics
- Train Ensemble Classifiers Using Classification Learner App
Create and compare ensemble classifiers, and export trained models to make predictions for new data.
- Framework for Ensemble Learning
Obtain highly accurate predictions by using many weak learners.
- 合奏算法
Learn about different algorithms for ensemble learning.
- Train Classification Ensemble
训练简单的分类合奏。
- 测试合奏质量
Learn methods to evaluate the predictive quality of an ensemble.
- Handle Imbalanced Data or Unequal Misclassification Costs in Classification Ensembles
了解如何设定先前的课程概率和错误分类成本。
- 数据分类不平衡
Use the RUSBoost algorithm for classification when one or more classes are over-represented in your data.
- 小合奏的LPBoost和TotalBoost
使用LPBoost和TotalBoost算法创建小合奏。（LPBoost和TotalBoost需要优化工具箱™。）
- Tune RobustBoost
Tune RobustBoost parameters for better predictive accuracy. (RobustBoost requires Optimization Toolbox.)
- 代理分裂
当您使用替代拆分丢失数据时，获得更好的预测。
- 火车分类合奏并联
并行训练一个袋装的合奏。
- Bootstrap Aggregation (Bagging) of Classification Trees Using TreeBagger
Create a
TreeBagger合奏进行分类。 - Credit Rating by Bagging Decision Trees
This example shows how to build an automated credit rating tool.
- Random Subspace Classification
通过使用随机子空间集合来提高分类的准确性。
- 使用分类安装预测块预测类标签
使用最佳超参数训练分类合奏模型，然后使用分类安排Predictblock for label prediction.
