RegressionPartitionedModel

Пакет: classreg.learning.partition

Перекрестная подтвержденная модель регрессии

Описание

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.

Конструкция

CVMdl = crossval(Mdl) создает перекрестную подтвержденную модель регрессии из модели регрессии (Mdl).

В качестве варианта:

CVNetMdl = fitrnet(X,Y,Name,Value)
CVTreeMdl = fitrtree(X,Y,Name,Value)

создайте перекрестную подтвержденную модель когда Name любой 'CrossVal', 'KFold', 'Holdout', 'Leaveout', или 'CVPartition'. Для получения дополнительной информации синтаксиса смотрите fitrnet и fitrtree.

Входные параметры

Mdl

Модель регрессии в виде одного из следующего:

Модель регрессии нейронной сети обучила использование fitrnet
Дерево регрессии обучило использование fitrtree

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. Предположение, что данные о предикторе содержат наблюдения в строках, `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 перекрестной подтвержденной модели, положительном целом числе.
`ModelParameters`	Объект, содержащий параметры `Mdl`.
`NumObservations`	Количество наблюдений в обучающих данных сохранено в `X` и `Y`В виде числового скаляра.
`Partition`	Раздел класса `cvpartition` используемый в перекрестной подтвержденной модели.
`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 необработанных значений отклика (среднеквадратическая ошибка). Указатель на функцию должен принять матрицу значений отклика и возвратить матрицу, одного размера. Вектор символов по умолчанию `'none'` средние значения `@(x)x`, или никакое преобразование. Добавьте или измените `ResponseTransform` функция с помощью записи через точку: CVMdl.ResponseTransform = @function
`Trained`	Обученные ученики, массив ячеек компактных моделей регрессии.
`W`	Масштабированный `weights`, вектор с длиной `n`, количество наблюдений в `X`.
`X`	Матрица A или таблица значений предиктора.
`Y`	Числовой вектор-столбец. Каждая запись в `Y` значение отклика соответствующего наблюдения в `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

Копировать семантику

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

Примеры

свернуть все

Оцените ошибку перекрестной проверки

Скрипт Open Live Script

Загрузите выборочные данные. Создайте переменную X содержа Horsepower и Weight данные.

load carsmall
X = [Horsepower Weight];

Создайте дерево регрессии использование выборочных данных.

cvtree = fitrtree(X,MPG,'crossval','on');

Оцените ошибку перекрестной проверки carsmall данные с помощью Horsepower и Weight как переменные предикторы для пробега (MPG).

L = kfoldLoss(cvtree)

L = 25.5338

Документация