CompactRegressionEnsemble

Пакет: classreg.learning.regr

Класс компактного регрессионного ансамбля

развернуть все на странице

Описание

Компактная версия регрессионного ансамбля (класса RegressionEnsemble). В компактную версию не включены данные для обучения регрессионного ансамбля. Поэтому вы не можете выполнить некоторые задачи с компактным регрессионым ансамблем, таким как перекрестная валидация. Используйте компактный регрессионный ансамбль для составления предсказаний (регрессий) новых данных.

Конструкция

ens = compact(fullEns) строит компактный ансамбль принятия решений из ансамбля полного принятия решений.

Входные параметры

fullEns

Регрессионный ансамбль, созданный fitrensemble.

Свойства

CategoricalPredictors

Категориальные индексы предиктора, заданные как вектор положительных целых чисел. CategoricalPredictors содержит значения индекса, соответствующие столбцам данных предиктора, которые содержат категориальные предикторы. Если ни один из предикторов не является категориальным, то это свойство пустое ([]).

CombineWeights

Вектор символов, описывающий, как ансамбль объединяет предсказания учащихся.

ExpandedPredictorNames

Расширенные имена предикторов, сохраненные как массив ячеек из векторов символов.

Если модель использует кодировку для категориальных переменных, то ExpandedPredictorNames включает имена, которые описывают расширенные переменные. В противном случае ExpandedPredictorNames то же, что и PredictorNames.

NumTrained

Количество подготовленных учащихся в ансамбле, положительной скалярной величине.

PredictorNames

Массив ячеек с именами для переменных предиктора в том порядке, в котором они появляются X.

ResponseName

A вектора символов с именем переменной отклика Y.

ResponseTransform

Указатель на функцию для преобразования счетов или вектор символов, представляющий встроенную функцию преобразования. 'none' означает отсутствие преобразования; эквивалентно 'none' означает @(x)x.

Добавление или изменение ResponseTransform функция, использующая запись через точку:

ens.ResponseTransform = @function

Trained

Обученные учащиеся, массив ячеек из компактных регрессионых моделей.

TrainedWeights

Численный вектор весов, которые ансамбль присваивает своим ученикам. Ансамбль вычисляет предсказанную реакцию путем агрегирования взвешенных предсказаний от своих учеников.

Функции объекта

limeЛокальные интерпретируемые модели-агностические объяснения (LIME)
lossОшибка регрессии
partialDependenceВычисление частичной зависимости
plotPartialDependenceСоздайте график частичной зависимости (PDP) и отдельные графики условного ожидания (ICE)
predictСпрогнозируйте ответы, используя ансамбль регрессионых моделей
predictorImportanceОценки предикторной важности для регрессионого ансамбля
removeLearnersУдалите представителей компрессионного регрессионного ансамбля
shapleyЗначения Shapley

Копировать семантику

Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел «Копирование объектов».

Примеры

свернуть все

Открыть Live Script

Создайте компактный регрессионный ансамбль для эффективного составления предсказаний на новых данных.

Загрузите carsmall набор данных. Рассмотрим модель, которая объясняет экономию топлива автомобиля (MPG) используя его вес (Weight) и количество цилиндров (Cylinders). 

load carsmall
X = [Weight Cylinders];
Y = MPG;

Обучите усиленный ансамбль из 100 регрессионых деревьев с помощью LSBoost. Задайте, что Cylinders является категориальной переменной.

Mdl = fitrensemble(X,Y,'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, который содержит обучающие данные, среди прочего.

Создайте компактную версию Mdl.

CMdl = compact(Mdl)
CMdl = 
  CompactRegressionEnsemble
           PredictorNames: {'W'  'C'}
             ResponseName: 'Y'
    CategoricalPredictors: 2
        ResponseTransform: 'none'
               NumTrained: 100


  Properties, Methods

CMdl является CompactRegressionEnsemble объект модели. CMdl почти так же, как Mdl. Одним из исключений является то, что CMdl не хранит обучающие данные.

Сравните количества занимаемого пространства Mdl и CMdl.

mdlInfo = whos('Mdl');
cMdlInfo = whos('CMdl');
[mdlInfo.bytes cMdlInfo.bytes]
ans = 1×2

      524616      499348

Mdl занимает больше пространства, чем CMdl.

CMdl.Trained хранит обученные деревья регрессии (CompactRegresionTree объекты модели), которые составляют Mdl.

Отобразите график первого дерева в компактном ансамбле.

view(CMdl.Trained{1},'Mode','graph');

Figure Regression tree viewer contains an axes and other objects of type uimenu, uicontrol. The axes contains 36 objects of type line, text.

По умолчанию fitrensemble выращивает мелкие деревья для оживленных ансамблей деревьев.

Предсказать расход топлива типового автомобиля можно используя компактный ансамбль.

typicalX = [mean(X(:,1)) mode(X(:,2))];
predMeanX = predict(CMdl,typicalX)
predMeanX = 26.2520

Совет

Для компактного ансамбля регрессионых деревьев, Trained свойство ens сохраняет вектор камеры ens.NumTrained CompactRegressionTree объекты модели. Для текстового или графического отображения древовидных t в векторе камеры введите

view(ens.Trained{t})

Расширенные возможности

.

См. также

| | | | |

Введенный в R2011a

Statistics and Machine Learning Toolbox документация

Поддержка

Для просмотра документации необходимо авторизоваться на сайте