Пакет: classreg.learning.regr
Класс компактного регрессионного ансамбля
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.
ens =
compact(fullEns)
|
Регрессионный ансамбль, созданный |
|
Категориальные индексы предиктора, заданные как вектор положительных целых чисел. |
|
Вектор символов, описывающий, как ансамбль объединяет предсказания учащихся. |
|
Расширенные имена предикторов, сохраненные как массив ячеек из векторов символов. Если модель использует кодировку для категориальных переменных, то |
|
Количество подготовленных учащихся в ансамбле, положительной скалярной величине. |
|
Массив ячеек с именами для переменных предиктора в том порядке, в котором они появляются |
|
A вектора символов с именем переменной отклика |
|
Указатель на функцию для преобразования счетов или вектор символов, представляющий встроенную функцию преобразования. Добавление или изменение ens.ResponseTransform = @function |
|
Обученные учащиеся, массив ячеек из компактных регрессионых моделей. |
|
Численный вектор весов, которые ансамбль присваивает своим ученикам. Ансамбль вычисляет предсказанную реакцию путем агрегирования взвешенных предсказаний от своих учеников. |
lime | Локальные интерпретируемые модели-агностические объяснения (LIME) |
loss | Ошибка регрессии |
partialDependence | Вычисление частичной зависимости |
plotPartialDependence | Создайте график частичной зависимости (PDP) и отдельные графики условного ожидания (ICE) |
predict | Спрогнозируйте ответы, используя ансамбль регрессионых моделей |
predictorImportance | Оценки предикторной важности для регрессионого ансамбля |
removeLearners | Удалите представителей компрессионного регрессионного ансамбля |
shapley | Значения Shapley |
Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел «Копирование объектов».
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');
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
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})compact | fitrensemble | predict | RegressionEnsemble | templateTree | view