Пакет: classreg.learning.partition
Суперклассы: RegressionPartitionedModel
Перекрестно проверенный регрессионный ансамбль
RegressionPartitionedEnsemble - набор регрессионных ансамблей, обученных на перекрестно проверенных складках. Оцените качество классификации путем перекрестной валидации с помощью одного или нескольких методов «kfold»: kfoldfun, kfoldLoss, или kfoldPredict. Каждый метод «kfold» использует модели, обученные внутрикратным наблюдениям, чтобы предсказать ответ для несовпадающих наблюдений. Например, предположим, что вы пересекаете проверку с помощью пяти складок. В этом случае каждая обучающая складка содержит примерно 4/5 данных, а каждая тестовая складка содержит примерно 1/5 данных. Первая модель, сохраненная в Trained{1} обучалась на X и Y при исключении первого 1/5 вторая модель хранилась в Trained{2} обучалась на X и Y со вторым 1/5 исключенным, и так далее. Когда вы звоните kfoldPredict, он вычисляет предсказания для первого 1/5 данных с помощью первой модели, для второго 1/5 данных с использованием второй модели и так далее. Короче говоря, ответ на каждое наблюдение вычисляется kfoldPredict использование модели, обученной без этого наблюдения.
cvens =
crossval(ens)ens, регрессионный ансамбль. Для получения дополнительной информации о синтаксисе смотрите crossval страница с описанием метода.
cvens = fitrensemble(X,Y,Name,Value)Name является одним из 'crossval', 'kfold', 'holdout', 'leaveout', или 'cvpartition'. Для получения дополнительной информации о синтаксисе смотрите fitrensemble страница с описанием функции.
|
Регрессионный ансамбль, построенный с |
|
Границы интервала для числовых предикторов, заданные как массив ячеек из p числовых векторов, где p - количество предикторов. Каждый вектор включает границы интервала для числового предиктора. Элемент в массиве ячеек для категориального предиктора пуст, потому что программное обеспечение не встраивает категориальные предикторы. Программное обеспечение помещает числовые предикторы только, если вы задаете 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 интервала в диапазоне от 1 до количества интервалов для числовых предикторов. Xbinned значения 0 для категориальных предикторов. Если X содержит NaNs, затем соответствующее Xbinned значения NaNс.
|
|
Категориальные индексы предиктора, заданные как вектор положительных целых чисел. |
|
Имя перекрестно проверенной модели, вектор символов. |
|
Количество складок, используемых в перекрестном проверенном дереве, положительное целое число. |
|
Параметры хранения объектов |
|
Числовой скаляр, содержащий количество наблюдений в обучающих данных. |
|
Вектор |
|
Разбиение классов на |
|
Массив ячеек с именами для переменных предиктора в том порядке, в котором они появляются |
|
Имя переменной отклика |
|
Указатель на функцию для преобразования счетов или вектор символов, представляющий встроенную функцию преобразования. Добавление или изменение ens.ResponseTransform = @function |
|
Массив ячеек ансамблей, обученных на складках для перекрестной валидации. Каждый ансамбль полон, что означает, что он содержит свои обучающие данные и веса. |
|
Массив ячеек из компактных ансамблей, обученных на складках для перекрестной валидации. |
|
Масштабированный |
|
Матрица или таблица значений предиктора. Каждый столбец |
|
Числовой вектор-столбец с одинаковым числом строк, как и |
kfoldLoss | Потеря для перекрестно проверенной секционированной регрессионой модели |
kfoldPredict | Прогнозируйте ответы на наблюдения в перекрестно проверенной регрессионой модели |
kfoldfun | Перекрестная проверка функции для регрессии |
resume | Возобновить обучение ансамбля |
Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел «Копирование объектов».
