loss

Синтаксис

L = loss(ens,tbl,ResponseVarName)
L = loss(ens,tbl,Y)
L = loss(ens,X,Y)
L = loss(___,Name,Value)

Описание

L = loss(ens,tbl,ResponseVarName) возвращает среднеквадратическую ошибку между предсказаниями ens к данным в tbl, по сравнению с истинными ответами tbl.ResponseVarName.

L = loss(ens,tbl,Y) возвращает среднеквадратическую ошибку между предсказаниями ens к данным в tbl, по сравнению с истинными ответами Y.

L = loss(ens,X,Y) возвращает среднеквадратическую ошибку между предсказаниями ens к данным в X, по сравнению с истинными ответами Y.

L = loss(___,Name,Value) вычисляет ошибку в предсказании с дополнительными опциями, заданными одним или несколькими Name,Value парные аргументы, с помощью любого из предыдущих синтаксисов.

Входные параметры

ens

Ансамбль регрессии создается с fitrensemble, или compact метод.

tbl

Выборочные данные в виде таблицы. Каждая строка tbl соответствует одному наблюдению, и каждый столбец соответствует одному переменному предиктору. tbl должен содержать все предикторы, используемые, чтобы обучить модель. Многостолбцовые переменные и массивы ячеек кроме массивов ячеек из символьных векторов не позволены.

Если вы обучили ens использование выборочных данных содержится в table, затем входные данные для этого метода должны также быть в таблице.

ResponseVarName

Имя переменной отклика в виде имени переменной в tbl. Переменная отклика должна быть числовым вектором.

Необходимо задать ResponseVarName как вектор символов или строковый скаляр. Например, если переменная отклика Y хранится как tbl.Y, затем задайте его как 'Y'. В противном случае программное обеспечение обрабатывает все столбцы tbl, включая Y, как предикторы, когда обучение модель.

X

Матрица A значений предиктора. Каждый столбец X представляет одну переменную, и каждая строка представляет одно наблюдение.

NaN значения в X взяты, чтобы быть отсутствующими значениями. Наблюдения со всеми отсутствующими значениями для X не используются в вычислении потери.

Если вы обучили ens с помощью выборочных данных, содержавшихся в матрице, затем, входные данные для этого метода должны также быть в матрице.

Y

Числовой вектор-столбец с одинаковым числом строк как tbl или X. Каждая запись в Y ответ на данные в соответствующей строке tbl или X.

NaN значения в Y взяты, чтобы быть отсутствующими значениями. Наблюдения с отсутствующими значениями для Y не используются в вычислении потери.

Аргументы в виде пар имя-значение

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

'learners'

Индексы слабых учеников в ансамбле в пределах от 1 к ens.NumTrained. oobEdge использование только эти ученики для вычисления потери.

Значение по умолчанию: 1:NumTrained

'lossfun'

Указатель на функцию для функции потерь или 'mse', значение среднеквадратической ошибки. Если вы передаете указатель на функцию fun, loss вызовы это как

fun(Y,Yfit,W)

где Y, Yfit, и W числовые векторы той же длины.

  • Y наблюдаемый ответ.

  • Yfit предсказанный ответ.

  • W веса наблюдения.

Возвращенное значение fun(Y,Yfit,W) должен быть скаляр.

Значение по умолчанию: 'mse'

'mode'

Значение выхода L:

  • 'ensemble' L скалярное значение, потеря для целого ансамбля.

  • 'individual' L вектор с одним элементом на обученного ученика.

  • 'cumulative' L вектор в который элемент J получен при помощи учеников 1:J из списка входов учеников.

Значение по умолчанию: 'ensemble'

'UseObsForLearner'

Логическая матрица размера N- NumTrained, где N количество наблюдений в ens.X, и NumTrained количество слабых учеников. Когда UseObsForLearner(I,J) true, predict ученик использования J в предсказании наблюдения I.

Значение по умолчанию: true(N,NumTrained)

'weights'

Числовой вектор весов наблюдения с тем же числом элементов как Y. Формула для loss с weights находится в Квадратичной невязке Взвешенного среднего.

Значение по умолчанию: ones(size(Y))

Выходные аргументы

L

Квадратичная невязка взвешенного среднего предсказаний. Формула для loss находится в Квадратичной невязке Взвешенного среднего.

Примеры

развернуть все

Найдите потерю предиктора ансамбля с помощью carsmall набор данных.

Загрузите carsmall набор данных и избранный объем двигателя, лошадиная сила и вес транспортного средства как предикторы.

load carsmall
X = [Displacement Horsepower Weight];

Обучите ансамбль деревьев регрессии и найдите ошибку регрессии для предсказания MPG.

ens = fitrensemble(X,MPG);
L = loss(ens,X,MPG)
L = 0.3463

Больше о

развернуть все

Расширенные возможности

Смотрите также

|

Для просмотра документации необходимо авторизоваться на сайте