Пакет: classreg.learning.partition
Перекрестная подтвержденная модель регрессии
RegressionPartitionedModel
набор моделей регрессии, обученных на перекрестных подтвержденных сгибах. Оцените качество регрессии перекрестной проверкой с помощью одного или нескольких “kfold” методов: kfoldPredict
, kfoldLoss
, и kfoldfun
. Каждый “kfold” метод использует модели, обученные на, окутывают наблюдения, чтобы предсказать ответ для наблюдений из сгиба. Например, предположите, что вы пересекаетесь, подтверждают использование пяти сгибов. В этом случае каждый учебный сгиб содержит примерно 4/5 данных, и каждый тестовый сгиб содержит примерно 1/5 данных. Первая модель сохранена в Trained{1}
был обучен на X
и Y
с первым исключенным 1/5 вторая модель сохранена в Trained{2}
был обучен на X
и Y
со вторым исключенным 1/5, и так далее. Когда вы вызываете kfoldPredict
, это вычисляет предсказания для первого 1/5 данных с помощью первой модели для второго 1/5 данных с помощью второй модели и так далее. Короче говоря, ответ для каждого наблюдения вычисляется kfoldPredict
использование модели, обученной без этого наблюдения.
создает перекрестную подтвержденную модель классификации из дерева регрессии. Для получения дополнительной информации синтаксиса смотрите cvmodel
=
crossval(tree
)crossval
страница с описанием метода.
cvmodel = fitrtree(X,Y,Name,Value)
создает перекрестную подтвержденную модель когда name
один из 'CrossVal'
, 'KFold'
, 'Holdout'
, 'Leaveout'
, или 'CVPartition'
. Для получения дополнительной информации синтаксиса смотрите fitrtree
страница ссылки на функцию.
|
Дерево регрессии создается с |
|
Границы интервала для числовых предикторов в виде массива ячеек p числовые векторы, где p является количеством предикторов. Каждый вектор включает границы 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 NaN s, затем соответствующий Xbinned значениями является NaN s.
|
|
Категориальные индексы предиктора в виде вектора положительных целых чисел. |
|
Имя перекрестной подтвержденной модели, вектора символов. |
|
Количество сгибов используется в перекрестном подтвержденном дереве, положительном целом числе. |
|
Объект, содержащий параметры |
|
Раздел класса |
|
Массив ячеек имен для переменных предикторов, в порядке, в котором они появляются в |
|
Имя переменной отклика |
|
Указатель на функцию для преобразования необработанных значений ответа (среднеквадратическая ошибка). Указатель на функцию должен принять матрицу значений ответа и возвратить матрицу, одного размера. Вектор символов по умолчанию Добавьте или измените ctree.ResponseTransform = @function |
|
Обученные ученики, массив ячеек компактных моделей регрессии. |
|
Масштабированный |
|
Матрица A или таблица значений предиктора. Каждый столбец |
|
Числовой вектор-столбец с одинаковым числом строк как |
kfoldLoss | Потеря перекрестной проверки разделенной модели регрессии |
kfoldPredict | Предскажите ответ для наблюдений, не используемых в обучении |
kfoldfun | Крест подтверждает функцию |
Значение. Чтобы изучить, как классы значения влияют на операции копии, смотрите Копирование Объектов (MATLAB).
ClassificationPartitionedModel
| RegressionPartitionedEnsemble