Класс: TreeBagger
Потеря квантиля с помощью мешка деревьев регрессии
err = quantileError(Mdl,X)
err = quantileError(Mdl,X,ResponseVarName)
err = quantileError(Mdl,X,Y)
err = quantileError(___,Name,Value)
возвращает половину среднего абсолютного отклонения (MAD) в сравнение истинных ответов в таблице err
= quantileError(Mdl
,X
)X
к предсказанным медианам, следующим из применения мешка деревьев регрессии Mdl
к наблюдениям за данными о предикторе в X
.
Mdl
должен быть объектом модели TreeBagger
.
Имя переменной отклика в X
должно иметь то же имя как переменная отклика в таблице, содержащей данные тренировки.
использует истинный ответ и переменные прогноза, содержавшиеся в таблице err
= quantileError(Mdl
,X
,ResponseVarName
)X
. ResponseVarName
является именем переменной отклика, и Mdl.PredictorNames
содержат имена переменных прогноза.
использование любой из предыдущих синтаксисов и дополнительных опций задано одним или несколькими аргументами пары err
= quantileError(___,Name,Value
)Name,Value
. Например, задайте вероятности квантиля, ошибочный тип, или который деревья включать в оценку погрешности регрессии квантиля.
Чтобы настроить количество деревьев в ансамбле, установите 'Mode','cumulative'
и постройте ошибки регрессии квантиля относительно древовидных индексов. Максимальное количество необходимых деревьев является древовидным индексом, где ошибка регрессии квантиля, кажется, выравнивается.
Чтобы исследовать производительность модели, когда учебная выборка будет маленькой, используйте oobQuantileError
вместо этого.
[1] Бреимен, L. Случайные Леса. Машинное обучение 45, стр 5–32, 2001.
[2] Meinshausen, N. “Леса Регрессии квантиля”. Журнал Исследования Машинного обучения, Издания 7, 2006, стр 983–999.