MATLAB：使用 fitctree 训练的分类器对新数据进行标签预测

Question

我在 MATLAB 2015b 中使用 fitctree 构建了一个简单的分类树。我现在想开始使用它对新数据（tabletest）进行预测。 'Predict' 给了我一个错误，我不确定如何在新数据上使用 kfoldPredict。

代码：

  predict(Mdl10feat,tabletest)

错误：

Undefined function 'predict' for input arguments of type
'classreg.learning.partition.ClassificationPartitionedModel'.

分类器：

Mdl10feat = 

  classreg.learning.partition.ClassificationPartitionedModel
    CrossValidatedModel: 'Tree'
         PredictorNames: {'fermin'  'MAJ'  'SOL'  'ECC'  'ORI'  'W'  'H'  'CIRC1'  'EQU'  'CONT'}
           ResponseName: 'classROI'
        NumObservations: 376810
                  KFold: 10
              Partition: [1x1 cvpartition]
             ClassNames: {'Hit'  'Miss'}
         ScoreTransform: 'none'

输入：

tabletest = 

    fermin     MAJ        SOL        ECC       ORI        W         H       CIRC1      EQU      CONT
    ______    ______    _______    _______    ______    ______    ______    ______    ______    ____

    29.748    46.342    0.98621    0.76677    87.506    27.307    43.691    1.0426    36.847    149 

我在这里做错了什么？

Answer 1

fitctree 的文档，特别是 output argument tree，说明如下：

分类树，作为分类树对象返回。

使用'CrossVal'、'KFold'、'Holdout'、'Leaveout' 或'CVPartition' 选项会生成ClassificationPartitionedModel 类树。 您不能使用分区树进行预测，因此这种树没有predict 方法。相反，请使用 kfoldPredict 来预测未用于训练的观察的响应。

否则tree属于ClassificationTree类，你可以使用predict方法进行预测。

由于您的输出是ClassificationPartitionedModel 类型，因此您必须使用kfoldPredict 方法。

请注意我上面加粗的语句：分区树不能用于预测新数据。这是因为提供给fitctree 的数据集用于 训练和测试/验证。从上面的模型输出中可以看出，您使用的 'KFold' 值为 10。这意味着您的数据首先被划分为 10 个集合，然后每个集合都用作在其他 9 个模型上训练的模型的验证集。 kfoldPredict 方法为您提供分类结果。

如果你想使用所有数据来训练模型，然后在新数据上使用predict，你必须避免使用'CrossVal'、'KFold'、'Holdout'、'Leaveout'或@调用fitctree时的987654350@选项。