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

kfoldLossУтрата перекрестной проверки разделенного ансамбля регрессии
резюмеВозобновите учебный ансамбль

Унаследованные методы

kfoldLossПотеря перекрестной проверки разделенной модели регрессии
kfoldPredictПредскажите ответ для наблюдений, не используемых для обучения
kfoldfunКрест 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 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 = 10×1

   21.4489
   48.4388
   28.2223
   17.5354
   29.9441
   49.5254
   43.8872
   31.0152
   31.6388
    8.9607

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

Для просмотра документации необходимо авторизоваться на сайте