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 clasificaciónEntrenar modelos para clasificar los datos mediante el aprendizaje automático supervisado

Funciones

expandir todo

templateDiscriminantLa plantilla de clasificador de análisis discriminante
templateECOCPlantilla de aprendizaje de códigos de salida de corrección de errores
templateEnsemblePlantilla de aprendizaje Ensemble
templateKNN-plantilla de clasificador de vecino más cercanok
templateLinearPlantilla de aprendizaje de clasificación lineal
templateNaiveBayesPlantilla clasificador Naive Bayes
templateSVMPlantilla de máquina de vectores de soporte
templateTreeCree una plantilla de árbol de decisión
fitcensembleAjuste conjunto de estudiantes para la clasificación
predictClasifique las observaciones utilizando conjuntos de modelos de clasificación
oobPredictPredecir la respuesta fuera de bolsa del conjunto
TreeBaggerCrear bolsa de árboles de decisión
fitcensembleAjuste conjunto de estudiantes para la clasificación
predictPredecir las respuestas usando un conjunto de árboles de decisión en bolsas
oobPredictLas predicciones del Ensemble para las observaciones fuera de bolsa
fitcecocAjuste modelos multiclase para máquinas de vectores de soporte u otros clasificadores
templateSVMPlantilla de máquina de vectores de soporte
predictClasifique las observaciones utilizando el modelo de códigos de salida de corrección de errores multiclase (ECOC)

Clases

expandir todo

ClassificationEnsembleClasificador de Ensemble
CompactClassificationEnsembleClase de conjunto de clasificación compacta
ClassificationPartitionedEnsembleConjunto de clasificación de validación cruzada
TreeBaggerBolsa de árboles de decisión
CompactTreeBaggerConjunto compacto de árboles de decisión cultivados por agregación de bootstrap
ClassificationBaggedEnsembleConjunto de clasificación cultivado por remuestreo
ClassificationECOCModelo multiclase para máquinas de vectores de soporte (SVMs) y otros clasificadores
CompactClassificationECOCModelo compacto multiclase para máquinas de vectores de soporte (SVMs) y otros clasificadores
ClassificationPartitionedECOCModelo 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.