RegressionEnsemble
Пакет: classreg.learning.regr
Суперклассы: CompactRegressionEnsemble
Регрессия ансамбля
Описание
RegressionEnsemble комбинирует набор обученных слабых моделей ученика и данных, на которых были обучены эти ученики. Это может предсказать ответ ансамбля для новых данных путем агрегации прогнозов от его слабых учеников.
Конструкция
Создайте объект ансамбля регрессии использование fitrensemble.
Свойства
|
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 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. Xbinned значения 0 для категориальных предикторов. Если X содержит NaNs, затем соответствующий Xbinned значениями является NaNs.
|
|
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 |
|
Числовой массив подходящей информации. |
|
Вектор символов, описывающий значение |
|
Массив ячеек из символьных векторов с именами слабых учеников в ансамбле. Имя каждого ученика появляется только однажды. Например, если у вас есть ансамбль 100 деревьев, |
|
Описание оптимизации перекрестной проверки гиперпараметров, сохраненных как
|
|
Вектор символов с именем алгоритма |
|
Параметры используются в учебном |
|
Числовой скаляр, содержащий количество наблюдений в обучающих данных. |
|
Количество обученных учеников в ансамбле, положительной скалярной величине. |
|
Массив ячеек имен для переменных предикторов, в порядке, в котором они появляются в |
|
Вектор символов, описывающий причину |
|
Структура, содержащая результат |
|
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. |
|
Масштабированный |
|
Матрица или таблица значений предиктора, которые обучили ансамбль. Каждый столбец |
|
Числовой вектор-столбец с одинаковым числом строк как |
Методы
| компактный | Создайте компактный ансамбль регрессии |
| crossval | Крест подтверждает ансамбль |
| cvshrink | Крест подтверждает уменьшение (сокращение) ансамбль |
| упорядочить | Найдите, что веса минимизируют ошибку перезамены плюс термин штрафа |
| resubLoss | Ошибка регрессии перезаменой |
| resubPredict | Предскажите ответ ансамбля перезаменой |
| резюме | Возобновите учебный ансамбль |
| уменьшение | Сократите ансамбль |
Унаследованные методы
| потеря | Ошибка регрессии |
| предсказать | Предскажите ансамбль использования ответов моделей регрессии |
| predictorImportance | Оценки важности предиктора для ансамбля регрессии |
| removeLearners | Удалите членов компактного ансамбля регрессии |
Копировать семантику
Значение. Чтобы изучить, как классы значения влияют на операции копии, смотрите Копирование Объектов (MATLAB).
Примеры
Обучите повышенный ансамбль регрессии
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 метод. Задайте тот Cylinders категориальная переменная.
Mdl = fitrensemble(X,Y,'Method','LSBoost',... '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.
Mdl.Trained свойство, которое хранит 100 1 вектор ячейки обученных деревьев регрессии (CompactRegressionTree объекты модели), которые составляют ансамбль.
Постройте график первого обученного дерева регрессии.
view(Mdl.Trained{1},'Mode','graph')
По умолчанию, fitrensemble выращивает мелкие деревья для повышенных ансамблей деревьев.
Предскажите экономию топлива автомобилей за 4 000 фунтов с 4, 6, и 8 цилиндров.
XNew = [4000*ones(3,1) [4; 6; 8]]; mpgNew = predict(Mdl,XNew)
mpgNew = 3×1
19.5926
18.6388
15.4810
Советы
Для ансамбля деревьев регрессии, Trained свойство содержит вектор ячейки ens.NumTrained
CompactRegressionTree объекты модели. Для текстового или графического дисплея древовидного t в векторе ячейки войти
view(ens.Trained{t})Расширенные возможности
Смотрите также
ClassificationEnsemble | CompactRegressionEnsemble | fitrensemble | plotPartialDependence | templateTree | view