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

resubPredict

Clasificar las observaciones en conjunto de modelos de clasificación

Sintaxis

label = resubPredict(ens)
[label,score] = resubPredict(ens)
[label,score] = resubPredict(ens,Name,Value)

Descripción

label = resubPredict(ens) Devuelve las etiquetas que predice para los datos. son las predicciones de los datos que se solían crear.ensens.XEtiquetaensfitcensembleens

[label,score] = resubPredict(ens) también devuelve puntuaciones para todas las clases.

[label,score] = resubPredict(ens,Name,Value) busca predicciones de reenvío con opciones adicionales especificadas por uno o más argumentos de par.Name,Value

Argumentos de entrada

ens

Un conjunto de clasificación creado con.fitcensemble

Argumentos de par nombre-valor

Especifique pares de argumentos separados por comas opcionales. es el nombre del argumento y es el valor correspondiente. deben aparecer dentro de las cotizaciones.Name,ValueNameValueName Puede especificar varios argumentos de par de nombre y valor en cualquier orden como.Name1,Value1,...,NameN,ValueN

'learners'

Índices de estudiantes débiles en el conjunto que van desde. solo usa estos alumnos para calcular la pérdida.1NumTrainedoobLoss

Predeterminado: 1:NumTrained

Argumentos de salida

label

La respuesta predice los datos de entrenamiento. es el mismo tipo de datos que los datos de respuesta de entrenamiento y tiene el mismo número de entradas que el número de filas.ensEtiquetaens.Yens.X

score

Una-por-matriz, donde es el número de filas en, y es el número de clases en.NKNens.XKens El valor de puntuación alta indica que es probable que una observación proviene de esta clase.

Ejemplos

expandir todo

Encuentre el número total de clasificaciones erróneas de los datos para un conjunto de clasificación.fisheriris

Cargue el conjunto de datos de iris de Fisher.

load fisheriris

Entrena un conjunto de 100 árboles de clasificación potenciado usando AdaBoostM2.

t = templateTree('MaxNumSplits',1); % Weak learner template tree object ens = fitcensemble(meas,species,'Method','AdaBoostM2','Learners',t);

Encuentre el número total de clasificaciones erróneas.

Ypredict = resubPredict(ens); % The predictions Ysame = strcmp(Ypredict,species); % True when Ypredict and species are equal sum(~Ysame) % Number of different predictions
ans = 5 

Más acerca de

expandir todo