主要内容

预测

观察使用的分类模型进行分类

扩展所有的页面

语法

标签=预测(Mdl X)
标签=预测(Mdl X、名称、值)
(标签、分数)=预测(___)

描述

标签=预测(Mdl,X)返回一个矢量预测类标签的预测数据表或矩阵X基于完整的或紧凑,训练有素的分类Mdl。

标签=预测(Mdl,X,名称,值)使用指定的一个或多个额外的选项名称,值对参数。

(标签,分数)=预测(___)还返回一个矩阵的分类分数(分数),显示一个标签的可能性来自于一个特定的类,使用任何输入参数在前面的语法。为每一个观察X,预测类标签对应的最大成绩在所有类。

输入参数

Mdl

创建一个分类的整体造型fitcensemble或由一个紧凑的分类的整体造型紧凑的。

X

预测数据分类,指定为一个数字矩阵或表。

每一行的X对应于一个观察,每一列对应一个变量。

  • 一个数字矩阵:

    • 变量的列X必须有相同的订单预测变量,训练吗Mdl。

    • 如果你训练Mdl使用一个表(例如,资源描述),然后X可以是一个数字矩阵如果资源描述包含所有数值预测变量。将数值预测资源描述分类在训练、识别分类预测使用CategoricalPredictors名称-值对的观点fitcensemble。如果资源描述包含了异构预测变量(例如,数字和分类数据类型)X是一个数字矩阵,然后呢预测抛出一个错误。

  • 一个表:

    • 预测不支持多列变量和细金宝app胞数组以外的细胞阵列的特征向量。

    • 如果你训练Mdl使用一个表(例如,资源描述),那么所有的预测变量X必须有相同的变量名和数据类型相同的训练Mdl(存储在Mdl.PredictorNames)。然而,列的顺序X不需要对应的列顺序资源描述。资源描述和X可以包含额外的变量(响应变量,观察体重、等等),但预测忽略了它们。

    • 如果你训练Mdl使用一个数字矩阵,然后预测名称Mdl.PredictorNames和相应的预测变量名称X必须相同。指定预测名称在训练,看到PredictorNames名称-值对的观点fitcensemble。所有的预测变量X必须是数值向量。X可以包含额外的变量(响应变量,观察体重、等等),但预测忽略了它们。

名称-值对的观点

指定可选的逗号分隔条名称,值参数。的名字参数名称和吗价值相应的价值。的名字必须出现在引号。您可以指定几个名称和值对参数在任何顺序Name1, Value1,…,的家。

“学习者”

指数疲弱的学习者预测用于计算的反应,一个数字向量。

默认值:1:T,在那里T弱的学习者的数量吗Mdl

“UseObsForLearner”

一个逻辑矩阵的大小N——- - - - - -T,地点:

  • N的行数X。

  • T弱的学习者的数量吗Mdl。

当UseObsForLearner (i, j)是真正的,学习者j用于预测的类行吗我的X。

默认值:真正的(N, T)

输出参数

标签

向量的分类标签。标签具有相同的数据类型的标签用于培训Mdl。(软件对字符串数组作为细胞阵列特征向量)。

分数

观测矩阵的每一行和每一列类。对于每一个观察和每个类,每棵树生成的得分的概率是观察来自这类计算分数的观察这个类的树叶。预测平均这些分数在合奏中所有的树木。

例子

全部展开

打开生活的脚本

加载费雪的虹膜数据集。确定样本容量。

负载fisheriris1)N =大小(量;

分区数据分为训练集和测试集。坚持10%的数据进行测试。

rng (1);%的再现性本量利= cvpartition (N,“坚持”,0.1);idxTrn =培训(cvp);%训练集指数idxTest =测试(cvp);%测试集指数

将训练数据存储在一个表。

tblTrn = array2table(量(idxTrn:));tblTrn。Y =物种(idxTrn);

训练一个分类合奏使用AdaBoostM2和训练集。指定树桩作为弱的学习者。

t = templateTree (“MaxNumSplits”1);Mdl = fitcensemble (tblTrn,“Y”,“方法”,“AdaBoostM2”,“学习者”t);

为测试集预测标签。你训练模型使用一个表的数据,但是您可以使用矩阵预测标签。

标签=预测(Mdl量(idxTest:));

构建一个测试集的混合矩阵。

confusionchart(物种(idxTest)、标签)

Mdl分类一个杂色的虹膜virginica在测试集。

更多关于

全部展开

扩展功能

另请参阅

||||||

介绍了R2011a

统计和机器学习工具箱文档

金宝app

试着用MATLAB仿真软金宝app件,和其他产品下载188bet金宝搏

得到审判现在