Класс: TreeBagger
Потеря квантиля с помощью мешка деревьев регрессии
возвращает половину среднего абсолютного отклонения (MAD) в сравнение истинных ответов в таблице err
= quantileError(Mdl
,X
)X
к предсказанным медианам, следующим из применения мешка деревьев регрессии Mdl
к наблюдениям за данными о предикторе в X
.
Mdl
должен быть TreeBagger
объект модели.
Имя переменной отклика в X
должен иметь то же имя как переменная отклика в таблице, содержащей обучающие данные.
использует истинный ответ и переменные предикторы, содержавшиеся в таблице err
= quantileError(Mdl
,X
,ResponseVarName
)X
. ResponseVarName
имя переменной отклика и Mdl.PredictorNames
содержите имена переменных предикторов.
использование любой из предыдущих синтаксисов и дополнительных опций задано одним или несколькими err
= quantileError(___,Name,Value
)Name,Value
парные аргументы. Например, задайте вероятности квантиля, ошибочный тип, или который деревья включать в оценку погрешности регрессии квантиля.
Чтобы настроить количество деревьев в ансамбле, установите 'Mode','cumulative'
и постройте ошибки регрессии квантиля относительно древовидных индексов. Максимальное количество необходимых деревьев является древовидным индексом, где ошибка регрессии квантиля, кажется, выравнивается.
Чтобы исследовать эффективность модели, когда обучающая выборка будет мала, используйте oobQuantileError
вместо этого.
[1] Бреимен, L. Случайные Леса. Машинное обучение 45, стр 5–32, 2001.
[2] Meinshausen, N. “Леса Регрессии квантиля”. Журнал Исследования Машинного обучения, Издания 7, 2006, стр 983–999.