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 в том, что он сделал 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 кодирование использования модели для категориальных переменных, то |
|
Количество обученных учеников в ансамбле, положительной скалярной величине. |
|
Массив ячеек имен для переменных предикторов, в порядке, в котором они появляются в |
|
Вектор символов с именем переменной отклика |
|
Указатель на функцию для преобразования баллов или вектора символов, представляющего встроенную функцию преобразования. Добавьте или измените 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 для ансамбля регрессии |
| 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 carsmall набор данных. Рассмотрите модель, которая объясняет экономию топлива автомобиля (MPG) использование его веса (Weight) и количество цилиндров (Cylinders).
load carsmall
X = [Weight Cylinders];
Y = MPG;Обучите повышенный ансамбль 100 деревьев регрессии с помощью LSBoost. Задайте тот Cylinders категориальная переменная.
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 RegressionEnsemble объект модели, который содержит обучающие данные, 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 CompactRegressionEnsemble объект модели. CMdl почти то же самое как Mdl. Одним исключением является тот CMdl не хранит обучающие данные.
Сравните суммы места, занимавшего Mdl и CMdl.
mdlInfo = whos('Mdl'); cMdlInfo = whos('CMdl'); [mdlInfo.bytes cMdlInfo.bytes]
ans = 1×2
509417 484212
Mdl занимает больше места, чем CMdl.
CMdl.Trained хранит обученные деревья регрессии (CompactRegresionTree объекты модели), 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, Trained свойство ens хранит вектор ячейки ens.NumTrained
CompactRegressionTree объекты модели. Для текстового или графического дисплея древовидного t в векторе ячейки войти
view(ens.Trained{t})RegressionEnsemble | compact | fitrensemble | plotPartialDependence | predict | templateTree | view