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.
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 NaNs, затем соответствующий Xbinned значениями является NaNs.
|
|
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
