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

ClassificationBaggedEnsemble

Paquete: classreg.learning.classif
Superclases: ClassificationEnsemble

Conjunto de clasificación cultivado por remuestreo

Descripción

combina un conjunto de modelos de alumnos débiles capacitados y datos en los que se entrenaron estos alumnos.ClassificationBaggedEnsemble Puede predecir la respuesta del conjunto para los nuevos datos agregando las predicciones de sus estudiantes débiles.

Construcción

Cree un objeto de conjunto de clasificación de empaquetado usando.fitcensemble Establezca el argumento de par nombre-valor de para utilizar la agregación de arranque (embolsado, por ejemplo, bosque aleatorio).'Method'fitcensemble'Bag'

Propiedades

BinEdges

Aristas de ubicación para los predictores numéricos, especificados como una matriz de celdas de vectores numéricos, donde es el número de predictores.pp Cada vector incluye los bordes de la papelera para un predictor numérico. El elemento en la matriz de celdas para un predictor categórico está vacío porque el software no bin predictores categóricos.

Los predictores numéricos de bins de software solo si especifica el argumento de par nombre-valor como un escalar entero positivo al entrenar un modelo con alumnos de árbol.'NumBins' La propiedad está vacía si el valor está vacío (valor predeterminado).BinEdges'NumBins'

Puede reproducir los datos de predictor en binned utilizando la propiedad del modelo entrenado.XbinnedBinEdgesmdl

X = mdl.X; % Predictor data
Xbinned = zeros(size(X));
edges = mdl.BinEdges;
% Find indices of binned predictors.
idxNumeric = find(~cellfun(@isempty,edges));
if iscolumn(idxNumeric)
    idxNumeric = idxNumeric';
end
for j = idxNumeric 
    x = X(:,j);
    % Convert x to array if x is a table.
    if istable(x) 
        x = table2array(x);
    end
    % Group x into bins by using the discretize function.
    xbinned = discretize(x,[-inf; edges{j}; inf]); 
    Xbinned(:,j) = xbinned;
end
contiene los índices de ubicación, que van desde 1 hasta el número de bins, para los predictores numéricos. valores son 0 para los predictores categóricos.XbinnedXbinned Si contiene s, los valores correspondientes son s.XNaNXbinnedNaN

CategoricalPredictors

Índices predictores categóricos, especificados como un vector de enteros positivos. contiene valores de índice correspondientes a las columnas de los datos del predictor que contienen predictores categóricos.CategoricalPredictors Si ninguno de los predictores es categórico, entonces esta propiedad está vacía ().[]

ClassNames

Lista de los elementos con duplicados eliminados. puede ser un vector numérico, un vector categórico, un vector lógico, una matriz de caracteres o una matriz de vectores de caracteres. tiene el mismo tipo de datos que los datos del argumento.YClassNamesClassNamesY (The software treats string arrays as cell arrays of character vectors.)

CombineWeights

Vector de caracteres que describe cómo combina pesos débiles del alumno, ya sea o.ens'WeightedSum''WeightedAverage'

ExpandedPredictorNames

Nombres de predictores ampliados, almacenados como una matriz de vectores de caracteres de celda.

Si el modelo utiliza codificación para variables categóricas, incluye los nombres que describen las variables expandidas.ExpandedPredictorNames De lo contrario, es el mismo que.ExpandedPredictorNamesPredictorNames

FitInfo

Matriz numérica de información de ajuste. La propiedad describe el contenido de esta matriz.FitInfoDescription

FitInfoDescription

Vector de caracteres que describe el significado de la matriz.FitInfo

FResample

Escalar numérico entre y. es la fracción de los datos de entrenamiento remuestreados aleatoriamente para cada alumno débil al construir el conjunto.01FResamplefitcensemble

HyperparameterOptimizationResults

Descripción de la optimización de validación cruzada de los hiperparámetros, almacenada como un objeto o una tabla de hiperparámetros y valores asociados.BayesianOptimization No vacía cuando el par nombre-valor no está vacío en la creación.OptimizeHyperparameters El valor depende de la configuración del par nombre-valor en la creación:HyperparameterOptimizationOptions

  • (valor predeterminado) — objeto de la clase'bayesopt'BayesianOptimization

  • o — tabla de hiperparámetros utilizados, valores de función objetiva observados (pérdida de validación cruzada) y rango de observaciones de menor (mejor) a mayor (peor)'gridsearch''randomsearch'

Method

Vector de caracteres que describe el método que crea.ens

ModelParameters

Parámetros utilizados en la formación.ens

NumTrained

Número de estudiantes débiles entrenados en un escalar.ens

PredictorNames

Matriz de nombres de celdas para las variables predictoras, en el orden en que aparecen.X

ReasonForTermination

Vector de caracteres que describe la razón dejó de agregar a los estudiantes débiles al conjunto.fitcensemble

Replace

Valor lógico que indica si el conjunto fue entrenado con reemplazo () o sin reemplazo ().truefalse

ResponseName

Vector de caracteres con el nombre de la variable de respuesta.Y

ScoreTransform

Identificador de función para transformar puntuaciones o vector de caracteres que representa una función de transformación integrada. significa que no hay transformación; equivalentemente, significa.'none''none'@(x)x Para obtener una lista de las funciones de transformación integradas y la sintaxis de las funciones de transformación personalizadas, consulte.fitctree

Añadir o cambiar una función utilizando la notación de puntos:ScoreTransform

ens.ScoreTransform = 'function'

O

ens.ScoreTransform = @function

Trained

Estudiantes capacitados, una matriz de modelos de clasificación compacta.

TrainedWeights

Vector numérico de pesos entrenados para los estudiantes débiles en. tiene elementos, donde está el número de estudiantes débiles en.ensTrainedWeightsTTlearners

UseObsForLearner

Matriz lógica de tamaño por-, donde es el número de observaciones en los datos de entrenamiento y es el número de estudiantes débiles entrenados. es si la observación se usó para entrenar al aprendiz, y es de otra manera.NNumTrainedNNumTrainedUseObsForLearner(I,J)trueIJfalse

W

Escalado, un vector con longitud, el número de filas en.weightsnX La suma de los elementos de is.W1

X

Matriz o tabla de valores predictores que entrenaron el conjunto. Cada columna de representa una variable, y cada fila representa una observación.X

Y

Una matriz categórica, matriz de celdas de vectores de caracteres, matriz de caracteres, Vector lógico o un vector numérico con el mismo número de filas que.X Cada fila de representa la clasificación de la fila correspondiente de.YX

Métodos

oobEdgeEl borde de clasificación fuera de bolsa
oobLossError de clasificación fuera de bolsa
oobMarginLos márgenes de clasificación fuera de bolsa
oobPermutedPredictorImportanceEstimaciones de importancia predictora por permutación de observaciones de predictor fuera de bolsa para bosque aleatorio de árboles de clasificación
oobPredictPredecir la respuesta fuera de bolsa del conjunto

Métodos heredados

compactConjunto de clasificación compacta
crossvalConjunto de validación cruzada
resubEdgeEl borde de la clasificación por el reenvío
resubLossError de clasificación por reenvío
resubMarginLos márgenes de clasificación por reenvío
resubPredictClasificar las observaciones en conjunto de modelos de clasificación
resumeReanudar conjunto de entrenamiento
edgeLa arista de clasificación
lossError de clasificación
marginLos márgenes de clasificación
predictClasifique las observaciones utilizando conjuntos de modelos de clasificación
predictorImportanceLas estimaciones de importancia predictora
removeLearnersQuite los miembros del conjunto de clasificación compacta

Semántica de copia

Valor. Para saber cómo afectan las clases de valor a las operaciones de copia, consulte.Copiar objetos (MATLAB)

Ejemplos

contraer todo

Cargue el conjunto de datos.ionosphere

load ionosphere

Puede entrenar un conjunto embolvado de 100 árboles de clasificación utilizando todas las mediciones.

Mdl = fitcensemble(X,Y,'Method','Bag') 

utiliza un objeto de árbol de plantilla predeterminado como un factor débil cuando es.fitcensembletemplateTree()'Method''Bag' En este ejemplo, para la reproducibilidad, especifique Cuándo crea un objeto de plantilla de árbol y, a continuación, utilice el objeto como un factor débil.'Reproducible',true

rng('default') % For reproducibility t = templateTree('Reproducible',true); % For reproducibiliy of random predictor selections Mdl = fitcensemble(X,Y,'Method','Bag','Learners',t)
Mdl =    classreg.learning.classif.ClassificationBaggedEnsemble              ResponseName: 'Y'     CategoricalPredictors: []                ClassNames: {'b'  'g'}            ScoreTransform: 'none'           NumObservations: 351                NumTrained: 100                    Method: 'Bag'              LearnerNames: {'Tree'}      ReasonForTermination: 'Terminated normally after completing the requested number of training cycles.'                   FitInfo: []        FitInfoDescription: 'None'                 FResample: 1                   Replace: 1          UseObsForLearner: [351x100 logical]     Properties, Methods  

es un objeto de modelo.MdlClassificationBaggedEnsemble

es la propiedad que almacena un vector de celda 100-por-1 de los árboles de clasificación entrenados (objetos del modelo) que componen el conjunto.Mdl.TrainedCompactClassificationTree

Trace un gráfico del primer árbol de clasificación entrenado.

view(Mdl.Trained{1},'Mode','graph')

Por defecto, crece árboles de decisión profundos para conjuntos embolsados.fitcensemble

Calcule la tasa de clasificación errónea en la muestra.

L = resubLoss(Mdl)
L = 0 

es 0, lo que indica que es perfecto para clasificar los datos de entrenamiento.LMdl

Sugerencias

Para un conjunto de árboles de clasificación en bolsas, la propiedad de almacena un vector de celda de objetos de modelo.Trainedensens.NumTrainedCompactClassificationTree Para una visualización textual o gráfica del árbol t en el vector de celda, escriba

view(ens.Trained{t})

Capacidades ampliadas

Introducido en R2011a