Ансамбли дерева регрессии

Случайные леса, повышенные и сложенные в мешок деревья регрессии

Ансамбль дерева регрессии является прогнозной моделью, состоявшей из взвешенной комбинации деревьев множественной регрессии. В общем случае объединение деревьев множественной регрессии увеличивает прогнозирующую эффективность. Чтобы повысить деревья регрессии с помощью LSBoost, используйте fitrensemble. Чтобы сложить деревья регрессии в мешок или вырастить случайный лес [12], используйте fitrensemble или TreeBagger. Чтобы реализовать регрессию квантиля с помощью мешка деревьев регрессии, используйте TreeBagger.

Для ансамблей классификации, такой, как повышено или сложено в мешок деревья классификации, случайные ансамбли подпространства или модели выходных кодов с коррекцией ошибок (ECOC) для классификации мультиклассов, видят Ансамбли Классификации.

Приложения

Regression LearnerОбучите модели регрессии предсказывать данные с помощью машинного обучения с учителем

Блоки

RegressionEnsemble PredictПредскажите ансамбль использования ответов деревьев решений для регрессии

Функции

развернуть все

fitrensembleПодходящий ансамбль учеников для регрессии
predictПредскажите ансамбль использования ответов моделей регрессии
oobPredictПредскажите ответ из сумки ансамбля
TreeBaggerСоздайте мешок деревьев решений
fitrensembleПодходящий ансамбль учеников для регрессии
predictПредскажите ансамбль использования ответов сложенных в мешок деревьев решений
oobPredictПредсказания ансамбля для наблюдений из сумки
quantilePredictПредскажите квантиль ответа с помощью мешка деревьев регрессии
oobQuantilePredictПредсказания квантиля для наблюдений из сумки от мешка деревьев регрессии
crossvalКрест подтверждает ансамбль
limeЛокальные поддающиеся толкованию объяснения модели агностические (LIME)
partialDependenceВычислите частичную зависимость
plotPartialDependenceСоздайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP)
predictorImportanceОценки важности предиктора для ансамбля регрессии
shapleyШепли оценивает

Классы

развернуть все

RegressionEnsembleРегрессия ансамбля
CompactRegressionEnsembleКомпактный класс ансамбля регрессии
RegressionPartitionedEnsembleПерекрестный подтвержденный ансамбль регрессии
TreeBaggerМешок деревьев решений
CompactTreeBaggerКомпактный ансамбль деревьев решений выращен агрегацией начальной загрузки
RegressionBaggedEnsembleАнсамбль регрессии, выращенный путем передискретизации

Темы

Алгоритмы ансамбля

Узнайте о различных алгоритмах для приобретения знаний ансамблем.

Среда для приобретения знаний ансамблем

Получите очень точные предсказания при помощи многих слабых учеников.

Обучите ансамбль регрессии

Обучите простой ансамбль регрессии.

Протестируйте качество ансамбля

Изучите методы, чтобы оценить прогнозирующее качество ансамбля.

Выберите Predictors for Random Forests

Выберите предикторы разделения для случайных лесов с помощью алгоритма проверок взаимодействия.

Регуляризация ансамбля

Автоматически выберите меньше слабых учеников для ансамбля способом, который не уменьшает прогнозирующую эффективность.

Загрузите агрегацию (укладывание в мешки) деревьев регрессии Используя TreeBagger

Создайте TreeBagger ансамбль для регрессии.

Используйте параллельную обработку для регрессии рабочий процесс TreeBagger

Ускорьте расчет путем выполнения TreeBagger параллельно.

Обнаружьте выбросы Используя регрессию квантиля

Обнаружьте выбросы в данных с помощью квантиля случайный лес.

Условная оценка квантиля Используя сглаживание ядра

Оцените условные квантили ответа, данного данные о предикторе с помощью квантиля случайный лес и путем оценки функции условного распределения ответа с помощью сглаживания ядра.

Настройте случайный лес Используя ошибку квантиля и байесовую оптимизацию

Настройте квантиль случайный лес с помощью Байесовой оптимизации.

Предскажите, что ответы Используя RegressionEnsemble предсказывают блок

Обучите модель ансамбля регрессии оптимальными гиперпараметрами, и затем используйте блок RegressionEnsemble Predict для предсказания ответа.

Для просмотра документации необходимо авторизоваться на сайте