Пакет: classreg.learning.regr
Компактный класс ансамбля регрессии
Компактная версия ансамбля регрессии (класса RegressionEnsemble). Компактная версия не включает данные для обучения ансамбль регрессии. Поэтому вы не можете выполнить некоторые задачи с компактным ансамблем регрессии, такие как перекрестная проверка. Используйте компактный ансамбль регрессии для того, чтобы сделать прогнозы (регрессии) новых данных.
ens =
compact(fullEns)
|
Ансамбль регрессии создается |
|
Категориальные индексы предиктора, заданные как вектор положительных целых чисел. |
|
Вектор символов, описывающий, как ансамбль комбинирует прогнозы ученика. |
|
Расширенные имена предиктора, сохраненные как массив ячеек из символьных векторов. Если образцовое кодирование использования для категориальных переменных, то |
|
Количество обученных учеников в ансамбле, положительной скалярной величине. |
|
Массив ячеек имен для переменных прогноза, в порядке, в котором они появляются в |
|
Вектор символов с именем переменной отклика |
|
Указатель на функцию для преобразования очков или вектора символов, представляющего встроенную функцию преобразования. Добавьте или измените функцию ens.ResponseTransform = @function |
|
Обученные ученики, массив ячеек компактных моделей регрессии. |
|
Числовой вектор весов ансамбль присваивает своим ученикам. Ансамбль вычисляет предсказанный ответ путем агрегации взвешенных прогнозов от его учеников. |
| потеря | Ошибка регрессии |
| предсказать | Предскажите ансамбль использования ответов моделей регрессии |
| predictorImportance | Оценки важности предиктора |
| removeLearners | Удалите членов компактного ансамбля регрессии |
Значение. Чтобы изучить, как классы значения влияют на операции копии, смотрите Копирование Объектов (MATLAB).
Создайте компактный ансамбль регрессии для того, чтобы эффективно сделать прогнозы на новых данных.
Загрузите набор данных carsmall. Рассмотрите модель, которая объясняет экономию топлива автомобиля (MPG) с помощью его веса (Weight) и количество цилиндров (Cylinders).
load carsmall
X = [Weight Cylinders];
Y = MPG;Обучите повышенный ансамбль 100 деревьев регрессии с помощью LSBoost. Укажите, что Cylinders является категориальной переменной.
Mdl = fitrensemble(X,Y,'PredictorNames',{'W','C'},... 'CategoricalPredictors',2)
Mdl =
classreg.learning.regr.RegressionEnsemble
PredictorNames: {'W' 'C'}
ResponseName: 'Y'
CategoricalPredictors: 2
ResponseTransform: 'none'
NumObservations: 94
NumTrained: 100
Method: 'LSBoost'
LearnerNames: {'Tree'}
ReasonForTermination: 'Terminated normally after completing the requested number of training cycles.'
FitInfo: [100x1 double]
FitInfoDescription: {2x1 cell}
Regularization: []
Properties, Methods
Mdl является объектом модели RegressionEnsemble, который содержит данные тренировки, среди прочего.
Создайте компактную версию Mdl.
CMdl = compact(Mdl)
CMdl =
classreg.learning.regr.CompactRegressionEnsemble
PredictorNames: {'W' 'C'}
ResponseName: 'Y'
CategoricalPredictors: 2
ResponseTransform: 'none'
NumTrained: 100
Properties, Methods
CMdl является объектом модели CompactRegressionEnsemble. CMdl является почти тем же самым как Mdl. Одно исключение - то, что CMdl не хранит данные тренировки.
Сравните суммы места, занимавшего Mdl и CMdl.
mdlInfo = whos('Mdl'); cMdlInfo = whos('CMdl'); [mdlInfo.bytes cMdlInfo.bytes]
ans = 1×2
490933 466134
Mdl занимает больше места, чем CMdl.
CMdl.Trained хранит обученные деревья регрессии (объекты модели CompactRegresionTree), которые составляют Mdl.
Отобразите график первого дерева в компактном ансамбле.
view(CMdl.Trained{1},'Mode','graph');
По умолчанию fitrensemble выращивает мелкие деревья для повышенных ансамблей деревьев.
Предскажите экономию топлива типичного автомобиля с помощью компактного ансамбля.
typicalX = [mean(X(:,1)) mode(X(:,2))]; predMeanX = predict(CMdl,typicalX)
predMeanX = 26.2520
Для компактного ансамбля деревьев регрессии свойство Trained ens хранит вектор ячейки ens.NumTrained
объекты модели CompactRegressionTree. Для текстового или графического дисплея древовидного t в векторе ячейки войти
view(ens.Trained{t})RegressionEnsemble | compact | fitrensemble | plotPartialDependence | predict | templateTree | view