使用分类学习应用程序训练集成分类器

创建和比较集成分类器，并导出训练过的模型来预测新数据。

集成学习框架

利用许多弱学习者获得高度准确的预测。

整体算法

了解集成学习的不同算法。

火车分类合奏

训练一个简单的分类集合。

测试整体质量

学习评价集成的预测质量的方法。

在分类系统中处理不平衡的数据或不相等的误分类成本

学习如何设置先验类概率和误分类成本。

不平衡数据分类

当数据中一个或多个类过多时，使用RUSBoost算法进行分类。

LPBoost和TotalBoost用于小型集成

使用LPBoost和TotalBoost算法创建小型集成。(LPBoost和TotalBoost需要优化工具箱™。)

曲调RobustBoost

调整RobustBoost参数以获得更好的预测精度。(RobustBoost需要优化工具箱。)

代理分裂

当您有丢失的数据时，可以使用代理分割来获得更好的预测。

并行列车分类集成

重复地并行训练一套袋装服装。

使用TreeBagger分类树的Bootstrap聚集(Bagging)

创建一个TreeBagger系综分类。

采用套袋决策树进行信用评级

这个例子展示了如何构建一个自动信用评级工具。

随机子空间分类

利用随机子空间集合提高分类精度。

使用ClassificationEnsemble预测块预测类标签

训练具有最优超参数的分类集成模型，然后使用ClassificationEnsemble预测块用于标签预测。