Пакет: classreg.learning.partition
Перекрестная подтвержденная модель регрессии
RegressionPartitionedModel
является набором моделей регрессии, обученных на перекрестных подтвержденных сгибах. Оцените качество регрессии перекрестной проверкой с помощью одного или нескольких “kfold” методов: kfoldPredict
, kfoldLoss
и kfoldfun
. 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.
создает перекрестную подтвержденную модель классификации из дерева регрессии. Для получения дополнительной информации синтаксиса смотрите страницу с описанием метода cvmodel
=
crossval(tree
)crossval
.
cvmodel = fitrtree(X,Y,Name,Value)
создает перекрестную подтвержденную модель, когда name
является одним из 'CrossVal'
, 'KFold'
, 'Holdout'
, 'Leaveout'
или 'CVPartition'
. Для получения дополнительной информации синтаксиса смотрите страницу ссылки на функцию fitrtree
.
|
Дерево регрессии создается с |
|
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" Можно воспроизвести сгруппированные данные о предикторе 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 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.
|
|
Категориальные индексы предиктора, заданные как вектор положительных целых чисел. |
|
Имя перекрестной подтвержденной модели, вектора символов. |
|
Количество сгибов используется в перекрестном подтвержденном дереве, положительном целом числе. |
|
Объект, содержащий параметры |
|
Раздел класса |
|
Массив ячеек имен для переменных прогноза, в порядке, в котором они появляются в |
|
Имя переменной отклика |
|
Указатель на функцию для преобразования необработанных значений ответа (среднеквадратическая ошибка). Указатель на функцию должен принять матрицу значений ответа и возвратить матрицу, одного размера. Вектор символов по умолчанию Добавьте или измените функцию ctree.ResponseTransform = @function |
|
Обученные ученики, массив ячеек компактных моделей регрессии. |
|
Масштабированный |
|
Матрица или таблица значений предиктора. Каждый столбец |
|
Числовой вектор-столбец с одинаковым числом строк как |
kfoldLoss | Потеря перекрестной проверки разделенной модели регрессии |
kfoldPredict | Предскажите ответ для наблюдений, не используемых для обучения |
kfoldfun | Крест подтверждает функцию |
Значение. Чтобы изучить, как классы значения влияют на операции копии, смотрите Копирование Объектов (MATLAB).
ClassificationPartitionedModel
| RegressionPartitionedEnsemble