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 carsmall
Подготовьте 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