Пакет: classreg.learning.regr
Суперклассы: CompactRegressionEnsemble
Ансамблевая регрессия
RegressionEnsemble объединяет набор подготовленных моделей слабых учащихся и данных, на которых эти учащиеся были обучены. Он может предсказать ответ ансамбля для новых данных, агрегируя предсказания от своих слабых учащихся.
Создайте объект регрессионного ансамбля с помощью fitrensemble.
|
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. |
|
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 |
|
Числовой массив информации о подгонке. The |
|
Вектор символов, описывающий смысл |
|
Массив ячеек из символьных векторов с именами слабых учащихся ансамбля. Имя каждого ученика появляется всего один раз. Например, если у вас есть ансамбль из 100 деревьев, |
|
Описание оптимизации гиперпараметров перекрестной валидации, сохраненное как
|
|
A вектора символов с именем алгоритма |
|
Параметры, используемые в обучающих |
|
Числовой скаляр, содержащий количество наблюдений в обучающих данных. |
|
Количество подготовленных учащихся в ансамбле, положительной скалярной величине. |
|
Массив ячеек с именами для переменных предиктора в том порядке, в котором они появляются |
|
Вектор символов, описывающий причину |
|
Структура, содержащая результат |
|
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. |
|
Масштабированный |
|
Матрица или таблица предикторов значений, которая обучала ансамбль. Каждый столбец |
|
Численный вектор-столбец с одинаковым числом строк, как |
compact | Создайте компрессионный регрессионный ансамбль |
crossval | Cross validate ансамбль |
cvshrink | Перекрестная проверка ансамбля усадки (обрезки) |
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 |
regularize | Найдите веса, чтобы минимизировать ошибку восстановления плюс срок штрафа |
removeLearners | Удалите представителей компрессионного регрессионного ансамбля |
resubLoss | Регрессионная ошибка путем реституции |
resubPredict | Предсказать ответ ансамбля путем реституции |
resume | Возобновить обучение ансамбля |
shapley | Значения Shapley |
shrink | Ансамбль чернослива |
Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел «Копирование объектов».
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 способ. Задайте, 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, который содержит обучающие данные, среди прочего.
Mdl.Trained - свойство, которое хранит вектор камеры 100 на 1 обученных регрессионых деревьев (CompactRegressionTree моделировать объекты), которые составляют ансамбль.
Постройте график первого обученного регрессионного дерева.
view(Mdl.Trained{1},'Mode','graph')
По умолчанию fitrensemble выращивает мелкие деревья для оживленных ансамблей деревьев.
Спрогнозируйте расход топлива 4000 фунтов с 4, 6 и 8 цилиндрами.
XNew = [4000*ones(3,1) [4; 6; 8]]; mpgNew = predict(Mdl,XNew)
mpgNew = 3×1
19.5926
18.6388
15.4810
Для ансамбля регрессионых деревьев Trained свойство содержит вектор камеры ens.NumTrained
CompactRegressionTree объекты модели. Для текстового или графического отображения древовидных t в векторе камеры введите
view(ens.Trained{t})ClassificationEnsemble | CompactRegressionEnsemble | fitrensemble | templateTree | view