Пакет: classreg.learning.partition
Суперклассы: RegressionPartitionedModel
Перекрестно проверенный регрессионный ансамбль
RegressionPartitionedEnsemble представляет собой набор регрессионных ансамблей, обученных на перекрестно проверенных складках. Оценка качества классификации путем перекрестной проверки с использованием одного или нескольких методов «kfold»: kfoldfun, kfoldLoss, или kfoldPredict. Каждый метод «kfold» использует модели, обученные на кратных наблюдениях, для прогнозирования ответа на внеплановые наблюдения. Например, предположим, что выполняется перекрестная проверка с использованием пяти сгибов. В этом случае каждая тренировочная складка содержит примерно 4/5 данных, а каждая тестовая складка содержит примерно 1/5 данных. Первая модель, сохраненная в Trained{1} был обучен X и Y с исключением первой 1/5, вторая модель хранится в Trained{2} был обучен X и Y с исключением второй 1/5 и так далее. При звонке kfoldPredict, он вычисляет прогнозы для первой 1/5 данных с использованием первой модели, для второй 1/5 данных с использованием второй модели и так далее. Короче говоря, ответ для каждого наблюдения вычисляется kfoldPredict использование модели, обученной без этого наблюдения.
cvens = crossval(ens)ens, регрессионный ансамбль. Дополнительные сведения о синтаксисе см. в разделе crossval страница ссылки на метод.
cvens = fitrensemble(X,Y,Name,Value)Name является одним из 'crossval', 'kfold', 'holdout', 'leaveout', или 'cvpartition'. Дополнительные сведения о синтаксисе см. в разделе fitrensemble страница ссылки на функцию.
|
Регрессионный ансамбль, построенный с помощью |
|
Ребра ячеек для числовых предикторов, заданные как массив ячеек из p числовых векторов, где p - число предикторов. Каждый вектор включает в себя края ячейки для числового предсказателя. Элемент в массиве ячеек для категориального предиктора пуст, поскольку программное обеспечение не содержит категориальных предикторов. Программа содержит числовые предикторы только при указании Можно воспроизвести привязанные данные предиктора 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 ячеек в диапазоне от 1 до числа ячеек для числовых предикторов. Xbinned значения равны 0 для категориальных предикторов. Если X содержит NaNs, затем соответствующее Xbinned значения NaNs.
|
|
Индексы категориального предиктора, указанные как вектор положительных целых чисел. |
|
Имя перекрестно проверенной модели, символьный вектор. |
|
Количество складок, используемых в перекрестно проверенном дереве, положительное целое число. |
|
Параметры хранения объекта |
|
Числовой скаляр, содержащий количество наблюдений в учебных данных. |
|
Вектор |
|
Раздел класса |
|
Массив ячеек имен для переменных предиктора в порядке их появления в |
|
Имя переменной ответа |
|
Дескриптор функции для преобразования баллов или символьного вектора, представляющего встроенную функцию преобразования. Добавить или изменить ens.ResponseTransform = @function |
|
Клеточный массив ансамблей, обученных складкам перекрестной проверки. Каждый ансамбль полон, то есть содержит свои тренировочные данные и веса. |
|
Клеточный массив компактных ансамблей, обученных складкам перекрестной проверки. |
|
Чешуйчатое |
|
Матрица или таблица предикторных значений. Каждый столбец |
|
Вектор числового столбца с тем же количеством строк, что и |
kfoldLoss | Потеря для перекрестно проверенной секционированной регрессионной модели |
kfoldPredict | Прогнозирование ответов для наблюдений в модели перекрестной регрессии |
kfoldfun | Функция перекрестной проверки для регрессии |
resume | Возобновить учебный ансамбль |
Значение. Сведения о том, как классы значений влияют на операции копирования, см. в разделе Копирование объектов.