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

ClassificationEnsemble

Paquete: classreg.learning.classif
Superclases: CompactClassificationEnsemble

Clasificador de Ensemble

Descripción

combina un conjunto de modelos de alumnos débiles capacitados y datos en los que se entrenaron estos alumnos.ClassificationEnsemble Puede predecir la respuesta del conjunto para los nuevos datos agregando las predicciones de sus estudiantes débiles. Almacena los datos utilizados para el entrenamiento, puede calcular las predicciones de reenvío y puede reanudar el entrenamiento si lo desea.

Construcción

Cree un objeto de conjunto de clasificación mediante.fitcensemble

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'

Cost

Matriz cuadrada, donde es el costo de clasificar un punto en la clase si su clase verdadera es (las filas corresponden a la clase true y las columnas corresponden a la clase pronosticada).Cost(i,j)ji El orden de las filas y columnas corresponde al orden de las clases en.CostoClassNames El número de filas y columnas en es el número de clases únicas en la respuesta.Costo Esta propiedad es de solo lectura.

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

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'

LearnerNames

Matriz de vectores de caracteres con nombres de estudiantes débiles en el conjunto. El nombre de cada alumno aparece solo una vez. Por ejemplo, si tiene un conjunto de 100 árboles, es.LearnerNames{'Tree'}

Method

Vector de caracteres que describe el método que crea.ens

ModelParameters

Parámetros utilizados en la formación.ens

NumObservations

Escalar numérico que contiene el número de observaciones de los datos de entrenamiento.

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

Prior

Vector numérico de probabilidades previas para cada clase. El orden de los elementos corresponde al orden de las clases en.PriorClassNames El número de elementos de es el número de clases únicas en la respuesta.Prior Esta propiedad es de solo lectura.

ReasonForTermination

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

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

Un vector de celda de modelos de clasificación entrenados.

  • Si es o, entoncesMethod'LogitBoost''GentleBoost' ClassificationEnsemble almacena al alumno entrenado j en la propiedad del objeto almacenado enCompactRegressionLearner Trained{j}. Es decir, para acceder al alumno entrenado jUso ens.Trained{j}.CompactRegressionLearner.

  • De lo contrario, las celdas del vector de celda contienen los modelos de clasificación compactos correspondientes.

TrainedWeights

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

UsePredForLearner

Matriz lógica de tamaño por-, donde es el número de predictores (columnas) en los datos de entrenamiento. es cuando el alumno utiliza el predictor y es lo contrario.PNumTrainedPXUsePredForLearner(i,j)truejifalse Para cada alumno, los predictores tienen el mismo orden que las columnas de los datos de entrenamiento.X

Si el conjunto no es de tipo, todas las entradas son.SubspaceUsePredForLearnertrue

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

Vector numérico, Vector categórico, Vector lógico, matriz de caracteres o matriz de celdas de vectores de caracteres. Cada fila de representa la clasificación de la fila correspondiente de.YX

Métodos

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

Métodos heredados

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

Entrena un conjunto potenciado de 100 árboles de clasificación utilizando todas las mediciones y el método.AdaBoostM1

Mdl = fitcensemble(X,Y,'Method','AdaBoostM1')
Mdl =    classreg.learning.classif.ClassificationEnsemble              ResponseName: 'Y'     CategoricalPredictors: []                ClassNames: {'b'  'g'}            ScoreTransform: 'none'           NumObservations: 351                NumTrained: 100                    Method: 'AdaBoostM1'              LearnerNames: {'Tree'}      ReasonForTermination: 'Terminated normally after completing the requested number of training cycles.'                   FitInfo: [100x1 double]        FitInfoDescription: {2x1 cell}     Properties, Methods  

es un objeto de modelo.MdlClassificationEnsemble

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')

De forma predeterminada, crece árboles poco profundos para conjuntos de árboles potenciado.fitcensemble

Predecir la etiqueta de la media de.X

predMeanX = predict(Mdl,mean(X))
predMeanX = 1x1 cell array
    {'g'}

Sugerencias

Para un conjunto de árboles de clasificación, la propiedad de almacena un vector de celda-por-1 de modelos de clasificación compacta.Trainedensens.NumTrained Para una visualización textual o gráfica del árbol t en el vector de celda, ingrese:

  • view(ens.Trained{t}.CompactRegressionLearner) para conjuntos agregados usando LogitBoost o GentleBoost.

  • view(ens.Trained{t}) para todos los demás métodos de agregación.

Capacidades ampliadas

Introducido en R2011a