Обучите ансамбль регрессии
В этом примере показано, как создать ансамбль регрессии, чтобы предсказать пробег автомобилей на основе их лошадиной силы и веса, обученного на carsmall данные.
Загрузите carsmall набор данных.
load carsmallПодготовьте данные о предикторе.
X = [Horsepower Weight];
Данными об ответе является MPG. Единственным доступным повышенным типом ансамбля регрессии является LSBoost. В данном примере произвольно выберите ансамбль 100 деревьев и используйте древовидные опции по умолчанию.
Обучите ансамбль деревьев регрессии.
Mdl = fitrensemble(X,MPG,'Method','LSBoost','NumLearningCycles',100)
Mdl =
classreg.learning.regr.RegressionEnsemble
ResponseName: 'Y'
CategoricalPredictors: []
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
Постройте график первого обученного дерева регрессии в ансамбле.
view(Mdl.Trained{1},'Mode','graph');
По умолчанию, fitrensemble выращивает мелкие деревья для LSBoost.
Предскажите пробег автомобиля с 150 лошадиными силами, весящими 2 750 фунтов.
mileage = predict(Mdl,[150 2750])
mileage = 23.6713