Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

Conjuntos de clasificación

Impulsar, bosque aleatorio, embolsado, subespacio aleatorio y conjuntos ECOC para el aprendizaje multiclase

Un conjunto de clasificación es un modelo predictivo compuesto por una combinación ponderada de varios modelos de clasificación. En general, la combinación de varios modelos de clasificación aumenta el rendimiento predictivo.

Para explorar conjuntos de clasificación de forma interactiva, utilice la aplicación.El alumno de clasificación Para mayor flexibilidad, use en la interfaz de línea de comandos para aumentar o clasificar los árboles de clasificación, o para hacer crecer un bosque aleatorio.fitcensemble[11] Para obtener más información sobre todos los conjuntos compatibles, consulte.Algoritmos de conjunto Para reducir un problema multiclase en un conjunto de problemas de clasificación binaria, entrenar un modelo de códigos de salida de corrección de errores (ECOC). Para obtener más información, consulte.fitcecoc

Para aumentar los árboles de regresión mediante LSBoost o para hacer crecer un bosque aleatorio de árboles de regresión, vea.[11]Conjuntos de regresión

Aplicaciones

El alumno de clasificación

Entrenar modelos para clasificar los datos mediante el aprendizaje automático supervisado

Funciones

expandir todo

Crear plantilla de aprendiz

`templateDiscriminant`	La plantilla de clasificador de análisis discriminante
`templateECOC`	Plantilla de aprendizaje de códigos de salida de corrección de errores
`templateEnsemble`	Plantilla de aprendizaje Ensemble
`templateKNN`	-plantilla de clasificador de vecino más cercanok
`templateLinear`	Plantilla de aprendizaje de clasificación lineal
`templateNaiveBayes`	Plantilla clasificador Naive Bayes
`templateSVM`	Plantilla de máquina de vectores de soporte
`templateTree`	Cree una plantilla de árbol de decisión

Conjunto de clasificación

`fitcensemble`	Ajuste conjunto de estudiantes para la clasificación
`predict`	Clasifique las observaciones utilizando conjuntos de modelos de clasificación
`oobPredict`	Predecir la respuesta fuera de bolsa del conjunto

Árboles de clasificación en bolsas

`TreeBagger`	Crear bolsa de árboles de decisión
`fitcensemble`	Ajuste conjunto de estudiantes para la clasificación
`predict`	Predecir las respuestas usando un conjunto de árboles de decisión en bolsas
`oobPredict`	Las predicciones del Ensemble para las observaciones fuera de bolsa

ECOC multiclase

`fitcecoc`	Ajuste modelos multiclase para máquinas de vectores de soporte u otros clasificadores
`templateSVM`	Plantilla de máquina de vectores de soporte
`predict`	Clasifique las observaciones utilizando el modelo de códigos de salida de corrección de errores multiclase (ECOC)

Clases

expandir todo

Conjunto de clasificación

`ClassificationEnsemble`	Clasificador de Ensemble
`CompactClassificationEnsemble`	Clase de conjunto de clasificación compacta
`ClassificationPartitionedEnsemble`	Conjunto de clasificación de validación cruzada

Árboles de clasificación en bolsas

`TreeBagger`	Bolsa de árboles de decisión
`CompactTreeBagger`	Conjunto compacto de árboles de decisión cultivados por agregación de bootstrap
`ClassificationBaggedEnsemble`	Conjunto de clasificación cultivado por remuestreo

ECOC multiclase

`ClassificationECOC`	Modelo multiclase para máquinas de vectores de soporte (SVMs) y otros clasificadores
`CompactClassificationECOC`	Modelo compacto multiclase para máquinas de vectores de soporte (SVMs) y otros clasificadores
`ClassificationPartitionedECOC`	Modelo ECOC multiclase validado por Cross para máquinas de vectores de soporte (SVMs) y otros clasificadores

Temas

Clasificadores de conjuntos de trenes utilizando la aplicación clasificación aprendiz

Cree y compare clasificadores de conjuntos y exporte modelos entrenados para realizar predicciones para nuevos datos.

Framework for Ensemble Learning

Obtener predicciones de alta precisión mediante el uso de muchos estudiantes débiles.

Algoritmos de conjunto

Aprenda sobre diferentes algoritmos para el aprendizaje conjunto.

Conjunto de clasificación de trenes

Entrena un conjunto de clasificación simple.

Prueba de calidad del conjunto

Aprenda métodos para evaluar la calidad predictiva de un conjunto.

Manejar datos desequilibrados o costos desiguales de clasificación errónea en conjuntos de clasificación

Aprenda a establecer las probabilidades de clase previas y los costos de clasificación errónea.

Clasificación con datos desequilibrados

Utilice el algoritmo RUSBoost para la clasificación cuando una o varias clases están sobrerrepresentadas en los datos.

LPBoost y TotalBoost para pequeños conjuntos

Crear pequeños conjuntos mediante el uso de la LPBoost y TotalBoost algoritmos. (LPBoost y TotalBoost requieren.)Optimization Toolbox™

Tune RobustBoost

Ajuste los parámetros de RobustBoost para una mejor precisión predictiva. (RobustBoost requiere.)Optimization Toolbox

Suplente splits

Obtenga mejores predicciones cuando haya perdido datos mediante divisiones sustitutas.

Agregación de bootstrap (embolsado) de árboles de clasificación medianteTreeBagger

Crear un conjunto TreeBagger para la clasificación.

Calificación crediticia por bagging decision Trees

Este ejemplo muestra cómo crear una herramienta de calificación crediticia automatizada.

Clasificación subespacial aleatoria

Aumente la precisión de la clasificación mediante el uso de un conjunto subespacial aleatorio.

Conjuntos de clasificación

Aplicaciones

Funciones

Crear plantilla de aprendiz

Conjunto de clasificación

Árboles de clasificación en bolsas

ECOC multiclase

Clases

Conjunto de clasificación

Árboles de clasificación en bolsas

ECOC multiclase

Temas

Documentación de Statistics and Machine Learning Toolbox

Soporte

Mastering Machine Learning: A Step-by-Step Guide with MATLAB