ClassificationPartitionedEnsemble

包:classreg.learning.partition
超类:ClassificationPartitionedModel

旨在分类合奏

描述

ClassificationPartitionedEnsemble是一组分类乐团训练旨在折叠。估计的质量分类交叉验证使用一个或多个“kfold”方法:kfoldPredict,kfoldLoss,kfoldMargin,kfoldEdge,kfoldfun。

每个“kfold”方法使用模型训练的观测预测响应out-of-fold观察。例如,假设您使用5折交叉验证。在这种情况下,每一个训练折叠包含约4/5的数据和每个测试折叠包含约1/5的数据。存储在第一个模型训练有素的{1}是训练有素的X和Y与第一个1/5排除在外,存储在第二个模型训练有素的{2}是训练有素的X和Y第二个1/5排除在外,等等。当你打电话kfoldPredict第一的1/5,它计算预测数据使用第一个模型,使用第二个第二1/5的数据模型,等等。简而言之,响应每一个观察是计算kfoldPredict使用模型训练没有观察。

建设

cvens = crossval(实体)创建一个旨在合奏实体,一个分类。语法细节,请参阅crossval方法引用页面。

cvens = fitcensemble (X, Y,名称,值)创建一个旨在合奏时的名字是其中之一“CrossVal”,“KFold”,“坚持”,“Leaveout”,或“CVPartition”。语法细节,请参阅fitcensemble函数引用页面。

属性

`BinEdges`	本数值预测边缘,指定的单元阵列p数值向量,p预测的数量。每个向量包括箱子边缘数值预测。单元阵列中的元素分类预测是空的,因为软件不本分类预测。软件垃圾箱只有指定数值预测`“NumBins”`名称-值参数作为一个正整数标量当训练学习者模型树。的`BinEdges`属性是空的,如果`“NumBins”`值是空的(默认)。你可以复制被预测数据`Xbinned`通过使用`BinEdges`训练模型的属性`mdl`。 X = mdl.X;%预测数据Xbinned = 0(大小(X));边缘= mdl.BinEdges;%找到被预测的指标。idxNumeric =找到(~ cellfun (@isempty边缘));如果iscolumn idxNumeric idxNumeric = idxNumeric ';对j = idxNumeric x = x (:, j);% x转换为数组如果x是一个表。如果istable (x) x = table2array (x);组x %到垃圾箱使用结束`离散化`函数。xbinned =离散化(x,[无穷;边缘{};正]);Xbinned (:, j) = Xbinned;结束 `Xbinned`包含本指标,从1到垃圾箱的数量,数值预测。`Xbinned`分类预测的值是0。如果`X`包含`南`年代,那么相应的`Xbinned`值是`南`年代。
`CategoricalPredictors`	分类预测指标,指定为一个向量的正整数。`CategoricalPredictors`包含索引值表明相应的预测分类。索引值介于1和`p`,在那里`p`预测的数量被用来训练模型。如果所有的预测都直言,那么这个属性是空的(`[]`)。
`一会`	元素的列表`Y`删除重复的。`一会`可以是一个数值向量,向量的分类变量、逻辑向量,字符数组或单元阵列特征向量。`一会`具有相同的数据类型作为数据的论点吗`Y`。(软件对字符串数组作为细胞阵列特征向量)。
`合路器`	在所有折叠单元阵列的组合器。
`成本`	方阵,`成本(i, j)`是一个指向类分类的成本`j`如果它真正的类`我`(行对应于真正的阶级和列对应于预测类)。的行和列的顺序`成本`对应于类的顺序`一会`。行和列的数量`成本`在响应中是独特的类的数量。这个属性是只读的。
`CrossValidatedModel`	旨在模型的名字,一个特征向量。
`KFold`	使用的折叠数量旨在合奏,一个正整数。
`ModelParameters`	对象持有的参数`cvens`。
`NumObservations`	在训练中使用的数据点数量合奏,一个正整数。
`NumTrainedPerFold`	训练的薄弱的学习者使用的每个折叠合奏,一个正整数。
`分区`	分区的类`cvpartition`用于创建旨在合奏。
`PredictorNames`	单元阵列为预测变量的名称,在它们出现的顺序`X`。
`之前`	每个类的先验概率数值向量。元素的顺序`之前`对应于类的顺序`一会`。元素的数量`之前`在响应中是独特的类的数量。这个属性是只读的。
`ResponseName`	响应变量的名称`Y`,一个特征向量。
`ScoreTransform`	函数处理转变分数,或字符向量代表一个内置的变换函数。`“没有”`意味着没有转换;同样,`“没有”`意味着`@ x (x)`。的内置转换函数和自定义的语法转换函数,看看`fitctree`。添加或更改`ScoreTransform`函数使用点符号: ens.ScoreTransform = '函数” 或 ens.ScoreTransform = @函数
`可训练的`	在交叉验证折叠单元阵列的乐团训练。每一个合奏充满,这意味着它包含其训练数据和权重。
`训练有素的`	单元阵列交叉验证折叠紧凑乐团训练。
`W`	按比例缩小的`权重`,一个向量的长度`n`的行数`X`。
`X`	一个矩阵或表的预测价值。每一列的`X`代表一个变量,每一行代表一个观察。
`Y`	数值向量,分类向量、逻辑向量,字符数组或单元阵列特征向量。每一行的`Y`应对数据在相应的行吗`X`。

对象的功能

`收集`	收集的属性统计和机器学习工具对象从GPU
`kfoldEdge`	分类旨在分类模型的边缘
`kfoldLoss`	分类损失旨在分类模型
`kfoldMargin`	分类利润率旨在分类模型
`kfoldPredict`	观察在旨在分类模型进行分类
`kfoldfun`	旨在功能分类
`的简历`	恢复训练学习者在交叉验证折叠

复制语义

价值。学习如何价值类影响复制操作,明白了复制对象。

例子

全部折叠

评估K-Fold交叉验证误差分类合奏

打开生活的脚本

评估k-fold交叉验证错误的分类,费舍尔虹膜数据模型。

加载示例数据集。

负载fisheriris

火车使用AdaBoostM2 100提高了分类树的合奏。

t = templateTree (“MaxNumSplits”1);%弱学习者模板树对象实体= fitcensemble(量、种类、“方法”,“AdaBoostM2”,“学习者”t);

创建一个旨在合奏实体并找到k-fold交叉验证错误。

rng (10,“旋风”)%的再现性cvens = crossval (ens);L = kfoldLoss (cvens)

L = 0.0533

扩展功能

GPU数组
加速代码运行在一个图形处理单元(GPU)使用并行计算工具箱™。

使用笔记和限制:

对象的功能ClassificationPartitionedEnsemble模型完全支持GPU数组。金宝app

有关更多信息,请参见运行在GPU MATLAB函数(并行计算工具箱)。

版本历史

全部展开

R2022a:`成本`属性存储指定的成本矩阵

从R2022a,成本属性存储指定的成本矩阵,这样你就可以计算出观察误分类成本使用指定的成本价值。软件商店规范化先验概率(之前)和观察权重(W),不能反映成本矩阵描述的处罚。计算观察误分类代价,指定LossFun名称-值参数为“classifcost”当你打电话给kfoldLoss函数。

注意,模型训练并没有改变,因此,类之间的决策边界没有改变。

培训,拟合函数更新指定的先验概率,将指定的描述的惩罚成本矩阵,然后规范化先验概率和观察的权重。这种行为没有改变。在以前的版本中,存储的软件默认成本矩阵成本属性和存储先验概率和观察权重用于培训之前和W属性,分别。从R2022a,软件商店指定成本矩阵没有修改,并存储规范化先验概率和观察权重不反映成本的惩罚。更多细节,请参阅误分类代价矩阵、先验概率和观察权重。

一些对象函数使用成本和W属性: