RegressionPartitionedEnsemble

Пакет: classreg.learning.partition
Суперклассы: RegressionPartitionedModel

Перекрестный подтвержденный ансамбль регрессии

Описание

RegressionPartitionedEnsemble является набором ансамблей регрессии, обученных на перекрестных подтвержденных сгибах. Оцените качество классификации перекрестной проверкой с помощью одного или нескольких “kfold” методов: kfoldfun, kfoldLoss или kfoldPredict. Каждый “kfold” метод использует модели, обученные на, окутывают наблюдения, чтобы предсказать ответ для наблюдений из сгиба. Например, предположите, что вы пересекаетесь, подтверждают использование пяти сгибов. В этом случае каждый учебный сгиб содержит примерно 4/5 данных, и каждый тестовый сгиб содержит примерно 1/5 данных. Первая модель, сохраненная в Trained{1}, была обучена на X и Y с первым исключенным 1/5, вторая модель, сохраненная в Trained{2}, была обучена на X и Y со вторым исключенным 1/5 и так далее. Когда вы вызываете kfoldPredict, он вычисляет прогнозы для первого 1/5 данных с помощью первой модели для второго 1/5 данных с помощью второй модели и так далее. Короче говоря, ответ для каждого наблюдения вычисляется kfoldPredict с помощью модели, обученной без этого наблюдения.

Конструкция

cvens = crossval(ens) создает перекрестный подтвержденный ансамбль из ens, ансамбль регрессии. Для получения дополнительной информации синтаксиса смотрите страницу с описанием метода crossval.

cvens = fitrensemble(X,Y,Name,Value) создает перекрестный подтвержденный ансамбль, когда Name является одним из 'crossval', 'kfold', 'holdout', 'leaveout' или 'cvpartition'. Для получения дополнительной информации синтаксиса смотрите страницу ссылки на функцию fitrensemble.

Входные параметры

ens

Ансамбль регрессии создается с fitrensemble.

Свойства

`BinEdges`	Ребра интервала для числовых предикторов, заданных как массив ячеек p числовые векторы, где p является количеством предикторов. Каждый вектор включает ребра интервала для числового предиктора. Элемент в массиве ячеек для категориального предиктора пуст, потому что программное обеспечение не делает интервала категориальные предикторы. Числовые предикторы интервалов программного обеспечения, только если вы задаете аргумент пары "имя-значение" `'NumBins'` как положительный целочисленный скаляр когда обучение модель с древовидными учениками. Свойство `BinEdges` пусто, если значение `'NumBins'` пусто (значение по умолчанию). Можно воспроизвести сгруппированные данные о предикторе `Xbinned` при помощи свойства `BinEdges` обученной модели `mdl`. 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 `Xbinned` содержит индексы интервала, в пределах от 1 к количеству интервалов, для числовых предикторов. значения `Xbinned` 0 для категориальных предикторов. Если `X` содержит `NaN` s, то соответствующими значениями `Xbinned` является `NaN` s.
`CategoricalPredictors`	Категориальные индексы предиктора, заданные как вектор положительных целых чисел. `CategoricalPredictors` содержит индексные значения, соответствующие столбцам данных о предикторе, которые содержат категориальные предикторы. Если ни один из предикторов не является категориальным, то это свойство пусто (`[]`).
`CrossValidatedModel`	Имя перекрестной подтвержденной модели, вектора символов.
`Kfold`	Количество сгибов используется в перекрестном подтвержденном дереве, положительном целом числе.
`ModelParameters`	Объект, содержащий параметры `tree`.
`NumObservations`	Числовой скаляр, содержащий количество наблюдений в данных тренировки.
`NTrainedPerFold`	Вектор элементов `Kfold`. Каждая запись содержит количество обученных учеников в этом сгибе перекрестной проверки.
`Partition`	Раздел класса `cvpartition`, используемый в создании перекрестного подтвержденного ансамбля.
`PredictorNames`	Массив ячеек имен для переменных прогноза, в порядке, в котором они появляются в `X`.
`ResponseName`	Имя переменной отклика `Y`, вектор символов.
`ResponseTransform`	Указатель на функцию для преобразования очков или вектора символов, представляющего встроенную функцию преобразования. `'none'` не означает преобразования; эквивалентно, `'none'` означает `@(x)x`. Добавьте или измените функцию `ResponseTransform`, использующую запись через точку: ens.ResponseTransform = @function
`Trainable`	Массив ячеек ансамблей обучен на сгибах перекрестной проверки. Каждый ансамбль полон, подразумевая, что он содержит свои данные тренировки и веса.
`Trained`	Массив ячеек компактных ансамблей обучен на сгибах перекрестной проверки.
`W`	Масштабированный `weights`, вектор с длиной `n`, количество строк в `X`.
`X`	Матрица или таблица значений предиктора. Каждый столбец `X` представляет одну переменную, и каждая строка представляет одно наблюдение.
`Y`	Числовой вектор-столбец с одинаковым числом строк как `X`. Каждая запись в `Y` является ответом на данные в соответствующей строке `X`.

Методы

kfoldLoss	Утрата перекрестной проверки разделенного ансамбля регрессии
резюме	Возобновите учебный ансамбль

Унаследованные методы

kfoldLoss	Потеря перекрестной проверки разделенной модели регрессии
kfoldPredict	Предскажите ответ для наблюдений, не используемых для обучения
kfoldfun	Крест подтверждает функцию

Копировать семантику

Значение. Чтобы изучить, как классы значения влияют на операции копии, смотрите Копирование Объектов (MATLAB).

Примеры

свернуть все

Создайте разделенный ансамбль регрессии

Скрипт Open Live Script

Создайте разделенный ансамбль регрессии и исследуйте потери перекрестной проверки на сгибы.

Загрузите набор данных carsmall.

load carsmall;

Создайте подмножество переменных.

XX = [Cylinders Displacement Horsepower Weight];
YY = MPG;

Создайте модель ансамбля.

rens = fitrensemble(XX,YY);

Создайте перекрестный подтвержденный ансамбль из rens.

rng(10,'twister') % For reproducibility
cvrens = crossval(rens);

Исследуйте потери перекрестной проверки.

L = kfoldLoss(cvrens,'mode','individual')

L является вектором, содержащим потерю перекрестной проверки для каждого обученного ученика в ансамбле.

Документация