Пакет: classreg.learning.regr
Суперклассы: CompactRegressionEnsemble
Регрессия ансамбля
RegressionEnsemble комбинирует набор обученных слабых моделей ученика и данных, на которых были обучены эти ученики. Это может предсказать ответ ансамбля для новых данных путем агрегации предсказаний от его слабых учеников.
Создайте использование объекта ансамбля регрессии fitrensemble.
|
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 из положительных целых чисел. |
|
Вектор символов, описывающий, как ансамбль комбинирует предсказания ученика. |
|
Расширенные имена предиктора, сохраненные как массив ячеек из символьных векторов. Если кодирование использования модели для категориальных переменных, то |
|
Числовой массив подходящей информации. |
|
Вектор символов, описывающий значение |
|
Массив ячеек из символьных векторов с именами слабых учеников в ансамбле. Имя каждого ученика появляется только однажды. Например, если у вас есть ансамбль 100 деревьев, |
|
Описание оптимизации перекрестной проверки гиперпараметров, сохраненных как
|
|
Вектор символов с именем алгоритма |
|
Параметры используются в учебном |
|
Числовой скаляр, содержащий количество наблюдений в обучающих данных. |
|
Количество обученных учеников в ансамбле, положительной скалярной величине. |
|
Массив ячеек имен для переменных предикторов, в порядке, в котором они появляются в |
|
Вектор символов, описывающий причину |
|
Структура, содержащая результат |
|
Вектор символов с именем переменной отклика |
|
Указатель на функцию для преобразования баллов или вектора символов, представляющего встроенную функцию преобразования. Добавьте или измените ens.ResponseTransform = @function |
|
Обученные ученики, массив ячеек компактных моделей регрессии. |
|
Числовой вектор из весов ансамбль присваивает своим ученикам. Ансамбль вычисляет предсказанный ответ путем агрегации взвешенных предсказаний от его учеников. |
|
Масштабированный |
|
Матрица или таблица значений предиктора, которые обучили ансамбль. Каждый столбец |
|
Числовой вектор-столбец с одинаковым числом строк как |
compact | Создайте компактный ансамбль регрессии |
crossval | Крест подтверждает ансамбль |
cvshrink | Крест подтверждает уменьшение (сокращение) ансамбль |
loss | Ошибка регрессии |
partialDependence | Вычислите частичную зависимость |
plotPartialDependence | Создайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP) |
predict | Предскажите ансамбль использования ответов моделей регрессии |
predictorImportance | Оценки важности предиктора для ансамбля регрессии |
regularize | Найдите, что веса минимизируют ошибку перезамены плюс термин штрафа |
removeLearners | Удалите члены компактного ансамбля регрессии |
resubLoss | Ошибка регрессии перезаменой |
resubPredict | Предскажите ответ ансамбля перезаменой |
resume | Возобновите учебный ансамбль |
shrink | Сократите ансамбль |
Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел "Копирование объектов".
Загрузите carsmall набор данных. Рассмотрите модель, которая объясняет экономию топлива автомобиля (MPG) использование его веса (Weight) и количество цилиндров (Cylinders).
load carsmall
X = [Weight Cylinders];
Y = MPG;Обучите повышенный ансамбль 100 деревьев регрессии с помощью LSBoost метод. Задайте тот Cylinders категориальная переменная.
Mdl = fitrensemble(X,Y,'Method','LSBoost',... 'PredictorNames',{'W','C'},'CategoricalPredictors',2)
Mdl =
RegressionEnsemble
PredictorNames: {'W' 'C'}
ResponseName: 'Y'
CategoricalPredictors: 2
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
Mdl RegressionEnsemble объект модели, который содержит обучающие данные, среди прочего.
Mdl.Trained свойство, которое хранит 100 1 вектор ячейки из обученных деревьев регрессии (CompactRegressionTree объекты модели), которые составляют ансамбль.
Постройте график первого обученного дерева регрессии.
view(Mdl.Trained{1},'Mode','graph')
По умолчанию, fitrensemble выращивает мелкие деревья для повышенных ансамблей деревьев.
Предскажите экономию топлива автомобилей за 4 000 фунтов с 4, 6, и 8 цилиндров.
XNew = [4000*ones(3,1) [4; 6; 8]]; mpgNew = predict(Mdl,XNew)
mpgNew = 3×1
19.5926
18.6388
15.4810
Для ансамбля деревьев регрессии, Trained свойство содержит вектор ячейки из ens.NumTrained
CompactRegressionTree объекты модели. Для текстового или графического дисплея древовидного t в векторе ячейки войти
view(ens.Trained{t})ClassificationEnsemble | CompactRegressionEnsemble | fitrensemble | templateTree | view