RegressionPartitionedEnsemble

Пакет: classreg.learning.partition
Суперклассы: RegressionPartitionedModel

Перекрестный подтвержденный ансамбль регрессии

Описание

RegressionPartitionedEnsemble набор ансамблей регрессии, обученных на перекрестных подтвержденных сгибах. Оцените качество классификации перекрестной проверкой с помощью одного или нескольких “kfold” методов: kfoldfun, kfoldLoss, или kfoldPredict. 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.

Конструкция

cvens = crossval(ens) создает перекрестный подтвержденный ансамбль из ens, ансамбль регрессии. Для получения дополнительной информации синтаксиса смотрите crossval страница с описанием метода.

cvens = fitrensemble(X,Y,Name,Value) создает перекрестный подтвержденный ансамбль когда Name один из 'crossval', 'kfold', 'holdout', 'leaveout', или 'cvpartition'. Для получения дополнительной информации синтаксиса смотрите fitrensemble страница ссылки на функцию.

Входные параметры

ens

Ансамбль регрессии, созданный с fitrensemble.

Свойства

`BinEdges`	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 `'NumBins'` аргумент значения имени как положительный целочисленный скаляр, когда обучение модель с древовидными учениками. `BinEdges` свойство пусто если `'NumBins'` значение пусто (значение по умолчанию). Можно воспроизвести сгруппированные данные о предикторе `Xbinned` при помощи `BinEdges` свойство обученной модели `mdl`. 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 `discretize` function. xbinned = discretize(x,[-inf; edges{j}; inf]); Xbinned(:,j) = xbinned; end `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.
`CategoricalPredictors`	Категориальные индексы предиктора в виде вектора из положительных целых чисел. `CategoricalPredictors` содержит значения индекса, соответствующие столбцам данных о предикторе, которые содержат категориальные предикторы. Если ни один из предикторов не является категориальным, то это свойство пусто (`[]`).
`CrossValidatedModel`	Имя перекрестной подтвержденной модели, вектора символов.
`Kfold`	Количество сгибов используется в перекрестном подтвержденном дереве, положительном целом числе.
`ModelParameters`	Объект, содержащий параметры `tree`.
`NumObservations`	Числовой скаляр, содержащий количество наблюдений в обучающих данных.
`NumTrainedPerFold`	Вектор из `Kfold` элементы. Каждая запись содержит количество обученных учеников в этом сгибе перекрестной проверки.
`Partition`	Раздел класса `cvpartition` используемый в создании перекрестного подтвержденного ансамбля.
`PredictorNames`	Массив ячеек имен для переменных предикторов, в порядке, в котором они появляются в `X`.
`ResponseName`	Имя переменной отклика `Y`, вектор символов.
`ResponseTransform`	Указатель на функцию для преобразования баллов или вектора символов, представляющего встроенную функцию преобразования. `'none'` средние значения никакое преобразование; эквивалентно, `'none'` средние значения `@(x)x`. Добавьте или измените `ResponseTransform` функция с помощью записи через точку: ens.ResponseTransform = @function
`Trainable`	Массив ячеек ансамблей обучен на сгибах перекрестной проверки. Каждый ансамбль полон, подразумевая, что он содержит свои обучающие данные и веса.
`Trained`	Массив ячеек компактных ансамблей обучен на сгибах перекрестной проверки.
`W`	Масштабированный `weights`, вектор с длиной `n`, количество строк в `X`.
`X`	Матрица A или таблица значений предиктора. Каждый столбец `X` представляет одну переменную, и каждая строка представляет одно наблюдение.
`Y`	Числовой вектор-столбец с одинаковым числом строк как `X`. Каждая запись в `Y` ответ на данные в соответствующей строке `X`.

Функции объекта

`kfoldLoss`	Потеря для перекрестной подтвержденной разделенной модели регрессии
`kfoldPredict`	Предскажите ответы для наблюдений в перекрестной подтвержденной модели регрессии
`kfoldfun`	Перекрестный подтвердите функцию для регрессии
`resume`	Возобновите учебный ансамбль

Копировать семантику

Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел "Копирование объектов".

Примеры

свернуть все

Создайте разделенный ансамбль регрессии

Скрипт Open Live Script

Создайте разделенный ансамбль регрессии и исследуйте потери перекрестной проверки на сгибы.

Загрузите carsmall набор данных.

load carsmall;

Создайте подмножество переменных.

XX = [Cylinders Displacement Horsepower Weight];
YY = MPG;

Создайте модель ансамбля.

rens = fitrensemble(XX,YY);

Создайте перекрестный подтвержденный ансамбль из rens.

rng(10,'twister') % For reproducibility
cvrens = crossval(rens);

Исследуйте потери перекрестной проверки.

L = kfoldLoss(cvrens,'mode','individual')

L является вектором, содержащим потерю перекрестной проверки для каждого обученного ученика в ансамбле.

Документация