Ансамбль регрессионного дерева представляет собой прогностическую модель, состоящую из взвешенной комбинации нескольких регрессионных деревьев. В общем, объединение нескольких деревьев регрессии повышает прогностическую производительность. Для увеличения числа деревьев регрессии с помощью LSBoost используйте fitrensemble. Чтобы собрать в мешки регрессионные деревья или вырастить случайный лес [12], используйте fitrensemble или TreeBagger. Для реализации квантильной регрессии с использованием пакета деревьев регрессии используйте TreeBagger.
Для таких классификационных ансамблей, как усиленные или пакетированные деревья классификации, случайные ансамбли подпространств или модели выходных кодов с исправлением ошибок (ECOC) для мультиклассовой классификации, см. раздел Классификационные ансамбли.
| Обучающийся регрессии | Обучение регрессионных моделей прогнозированию данных с использованием контролируемого машинного обучения |
| RegeEnsemble предсказывает | Прогнозирование ответов с использованием совокупности деревьев решений для регрессии |
Узнайте о различных алгоритмах обучения ансамблю.
Получайте высокоточные прогнозы, используя множество слабых учеников.
Тренируйте простой регрессионный ансамбль.
Изучите методы оценки прогнозирующего качества ансамбля.
Выбор предикторов для случайных лесов
Выберите предикторы разделения для случайных лесов с помощью алгоритма тестирования взаимодействия.
Автоматически выбирайте меньшее количество слабых учеников для ансамбля таким образом, чтобы не снижать прогностическую производительность.
Агрегация начальной загрузки (пакетирование) регрессионных деревьев с использованием TreeBagger
Создать TreeBagger ансамбль для регрессии.
Использование параллельной обработки для потока операций регрессионного дерева Bagger
Ускорение вычислений с помощью запуска TreeBagger параллельно.
Обнаружение отклонений с помощью квантовой регрессии
Обнаружение отклонений в данных с помощью квантильного случайного леса.
Оценка условного квантиля с использованием сглаживания ядра
Оценивают условные квантили ответа, заданного данными предиктора, используя случайный лес квантиля и оценивая функцию условного распределения ответа, используя сглаживание ядра.
Настройка случайного леса с использованием ошибки квантования и байесовской оптимизации
Настройка квантования случайного леса с использованием байесовской оптимизации.
Прогнозирование ответов с использованием блока прогнозирования RegingEnsemble
Тренировка модели регрессионного ансамбля с оптимальными гиперпараметрами, а затем использование блока прогнозирования RegingEnsemble для прогнозирования отклика.