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

Conjuntos de Clasificación

Impulso, 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.Aprendiz de Clasificación Para una mayor flexibilidad, utilice en la interfaz de línea de comandos para aumentar o embolsar árboles de clasificación, o para cultivar un bosque aleatorio.fitcensemble[11] Para obtener más información sobre todos los conjuntos compatibles, consulte .Ensemble Algorithms Para reducir un problema multiclase en un conjunto de problemas de clasificación binaria, entrene 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, consulte .[11]Ensambles de regresión

Apps

Capacitar modelos para clasificar datos mediante aprendizaje automático supervisado
Aprendiz de ClasificaciónCapacitar modelos para clasificar datos mediante aprendizaje automático supervisado

Funciones

expandir todo

templateDiscriminantDiscriminant analysis classifier template
templateECOCError-correcting output codes learner template
templateEnsembleEnsemble learning template
templateKNNk-nearest neighbor classifier template
templateLinearLinear classification learner template
templateNaiveBayesNaive Bayes classifier template
templateSVMSupport vector machine template
templateTreeCreate decision tree template
fitcensembleFit ensemble of learners for classification
predictClassify observations using ensemble of classification models
oobPredictPredict out-of-bag response of ensemble
TreeBaggerCrear bolsa de árboles de decisión
fitcensembleFit ensemble of learners for classification
predictPredict responses using ensemble of bagged decision trees
oobPredictEnsemble predictions for out-of-bag observations
fitcecocAjustar modelos multiclase para máquinas vectoriales de soporte u otros clasificadores
templateSVMSupport vector machine template
predictClassify observations using multiclass error-correcting output codes (ECOC) model

Clases

expandir todo

ClassificationEnsembleEnsemble classifier
CompactClassificationEnsembleCompact classification ensemble class
ClassificationPartitionedEnsembleCross-validated classification ensemble
TreeBaggerBag of decision trees
Compact ensemble of decision trees grown by bootstrap aggregation
ClassificationBaggedEnsembleClassification ensemble grown by resampling
CompactTreeBaggerCompact ensemble of decision trees grown by bootstrap aggregation
ClassificationECOCMulticlass model for support vector machines (SVMs) and other classifiers
CompactClassificationECOCCompact multiclass model for support vector machines (SVMs) and other classifiers
ClassificationPartitionedECOCCross-validated multiclass ECOC model for support vector machines (SVMs) and other classifiers

Temas

Train Ensemble Classifiers Using Classification Learner App

Create and compare ensemble classifiers, and export trained models to make predictions for new data.

Framework for Ensemble Learning

Obtain highly accurate predictions by using many weak learners.

Ensemble Algorithms

Learn about different algorithms for ensemble learning.

Train Classification Ensemble

Train a simple classification ensemble.

Test Ensemble Quality

Learn methods to evaluate the predictive quality of an ensemble.

Handle Imbalanced Data or Unequal Misclassification Costs in Classification Ensembles

Learn how to set prior class probabilities and misclassification costs.

Classification with Imbalanced Data

Use the RUSBoost algorithm for classification when one or more classes are over-represented in your data.

LPBoost and TotalBoost for Small Ensembles

Create small ensembles by using the LPBoost and TotalBoost algorithms. (LPBoost and TotalBoost require Optimization Toolbox™.)

Tune RobustBoost

Tune RobustBoost parameters for better predictive accuracy. (RobustBoost requires Optimization Toolbox.)

Surrogate Splits

Gain better predictions when you have missing data by using surrogate splits.

Bootstrap Aggregation (Bagging) of Classification Trees Using TreeBagger

Create a TreeBagger ensemble for classification.

Credit Rating by Bagging Decision Trees

This example shows how to build an automated credit rating tool.

Random Subspace Classification

Increase the accuracy of classification by using a random subspace ensemble.