RegressionEnsemble
Пакет: classreg.learning.regr
Суперклассы: CompactRegressionEnsemble
Ансамблевая регрессия
Описание
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.
Конструкция
Создайте объект регрессионного ансамбля с помощью fitrensemble.
Свойства
|
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 |
Функции объекта
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 |
Копировать семантику
Значение. Чтобы узнать, как классы значений влияют на операции копирования, см. раздел «Копирование объектов».
Примеры
Обучите бустерный регрессионый ансамбль
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
Совет
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})Расширенные возможности
См. также
ClassificationEnsemble | CompactRegressionEnsemble | fitrensemble | templateTree | view