Пакет: classreg.learning.regr
Суперклассы: CompactRegressionEnsemble
Ансамблевая регрессия
RegressionEnsemble объединяет набор обученных моделей слабых учащихся и данных, на которых эти учащиеся были обучены. Он может прогнозировать ансамблевую реакцию для новых данных, агрегируя прогнозы от своих слабых учеников.
Создание объекта регрессионного ансамбля с помощью fitrensemble.
|
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. |
|
Вектор символов, описывающий, как ансамбль объединяет предсказания ученика. |
|
Расширенные имена предикторов, хранящиеся в виде клеточного массива символьных векторов. Если модель использует кодировку для категориальных переменных, то |
|
Числовой массив информации о соответствии. |
|
Вектор символов, описывающий значение |
|
Клеточный массив векторов символов с именами слабых учеников в ансамбле. Имя каждого учащегося появляется один раз. Например, если у вас есть ансамбль из 100 деревьев, |
|
Описание оптимизации гиперпараметров с перекрестной проверкой, сохраненное как
|
|
Символьный вектор с именем алгоритма |
|
Параметры, используемые при обучении |
|
Числовой скаляр, содержащий количество наблюдений в учебных данных. |
|
Количество обученных учеников в ансамбле, положительный скаляр. |
|
Массив ячеек имен для переменных предиктора в порядке их появления в |
|
Вектор символов, описывающий причину |
|
Структура, содержащая результат |
|
Символьный вектор с именем переменной ответа |
|
Дескриптор функции для преобразования баллов или символьного вектора, представляющего встроенную функцию преобразования. Добавить или изменить ens.ResponseTransform = @function |
|
Обученные ученики, клеточный массив моделей компактной регрессии. |
|
Числовой вектор весов, который ансамбль назначает своим ученикам. Ансамбль вычисляет прогнозируемый отклик путем агрегирования взвешенных прогнозов от своих учеников. |
|
Чешуйчатое |
|
Матрица или таблица значений предиктора, которые обучали ансамбль. Каждый столбец |
|
Вектор числового столбца с тем же количеством строк, что и |
compact | Создание компактного регрессионного ансамбля |
crossval | Ансамбль перекрестной проверки |
cvshrink | Ансамбль усадки (отсечения) перекрестной проверки |
lime | Локальные интерпретируемые модели-агностические объяснения (LIME) |
loss | Ошибка регрессии |
partialDependence | Вычислить частичную зависимость |
plotPartialDependence | Создание графиков частичной зависимости (PDP) и индивидуального условного ожидания (ICE) |
predict | Прогнозирование ответов с использованием совокупности регрессионных моделей |
predictorImportance | Оценки важности предиктора для регрессионного ансамбля |
regularize | Поиск весов для минимизации ошибки повторного предоставления плюс срок штрафа |
removeLearners | Удаление членов компактного регрессионного ансамбля |
resubLoss | Регрессионная ошибка при повторном замещении |
resubPredict | Прогнозирование реакции ансамбля путем повторного замещения |
resume | Возобновить учебный ансамбль |
shapley | Значения Шапли |
shrink | Ансамбль обрезки |
Значение. Сведения о том, как классы значений влияют на операции копирования, см. в разделе Копирование объектов.
Загрузить carsmall набор данных. Рассмотрим модель, которая объясняет экономию топлива автомобиля (MPG) с использованием его веса (Weight) и количество цилиндров (Cylinders).
load carsmall
X = [Weight Cylinders];
Y = MPG;Обучение усиленного ансамбля из 100 регрессионных деревьев с использованием LSBoost способ. Укажите, что Cylinders является категориальной переменной.
Mdl = fitrensemble(X,Y,'Method','LSBoost',... 'PredictorNames',{'W','C'},'CategoricalPredictors',2)
Mdl =
RegressionEnsemble
PredictorNames: {'W' 'C'}
ResponseName: 'Y'
CategoricalPredictors: 2
ResponseTransform: 'none'
NumObservations: 94
NumTrained: 100
Method: 'LSBoost'
LearnerNames: {'Tree'}
ReasonForTermination: 'Terminated normally after completing the requested number of training cycles.'
FitInfo: [100x1 double]
FitInfoDescription: {2x1 cell}
Regularization: []
Properties, Methods
Mdl является RegressionEnsemble объект модели, содержащий, среди прочего, данные обучения.
Mdl.Trained является свойством, которое хранит вектор клеток 100 на 1 обученных деревьев регрессии (CompactRegressionTree объекты модели), которые составляют ансамбль.
Постройте график первого обученного регрессионного дерева.
view(Mdl.Trained{1},'Mode','graph')
По умолчанию fitrensemble выращивает мелководные деревья для поднятых ансамблей деревьев.
Предсказать экономию топлива 4000 фунтовых автомобилей с 4, 6 и 8 баллонами.
XNew = [4000*ones(3,1) [4; 6; 8]]; mpgNew = predict(Mdl,XNew)
mpgNew = 3×1
19.5926
18.6388
15.4810
Для ансамбля регрессионных деревьев Trained свойство содержит вектор ячейки ens.NumTrained
CompactRegressionTree объекты модели. Для текстового или графического отображения дерева t в векторе ячейки введите
view(ens.Trained{t})ClassificationEnsemble | CompactRegressionEnsemble | fitrensemble | templateTree | view