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
|
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 你可以复制被预测数据 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
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。 |
|
分类预测指标,指定为一个向量的正整数。 |
|
元素的列表 |
|
在所有折叠单元阵列的组合器。 |
|
方阵, |
|
旨在模型的名字,一个特征向量。 |
|
使用的折叠数量旨在合奏,一个正整数。 |
|
对象持有的参数 |
|
在训练中使用的数据点数量合奏,一个正整数。 |
|
训练的薄弱的学习者使用的每个折叠合奏,一个正整数。 |
|
分区的类 |
|
单元阵列为预测变量的名称,在它们出现的顺序 |
|
每个类的先验概率数值向量。元素的顺序 |
|
响应变量的名称 |
|
函数处理转变分数,或字符向量代表一个内置的变换函数。 添加或更改 ens.ScoreTransform = '函数” 或 ens.ScoreTransform = @函数 |
|
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。 |
|
单元阵列交叉验证折叠紧凑乐团训练。 |
|
按比例缩小的 |
|
一个矩阵或表的预测价值。每一列的 |
|
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 |
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。