Ансамбль регрессионного дерева является прогнозирующей моделью, состоящей из взвешенной комбинации нескольких регрессионых деревьев. В целом объединение множественных регрессий увеличивает прогнозирующую эффективность. Чтобы увеличить деревья регрессии с помощью LSBoost, используйте fitrensemble. Чтобы упаковать деревья регрессии или вырастить случайный лес [12], используйте fitrensemble или TreeBagger. Чтобы реализовать регрессию квантиля с помощью пакета регрессионых деревьев, используйте TreeBagger.
Для классификационных ансамблей, таких как усиленные или упакованные в мешки деревья классификации, случайные подпространственные ансамбли или модели выходных кодов с коррекцией ошибок (ECOC) для многоклассовой классификации, см. Классификационные ансамбли.
| Regression Learner | Обучите регрессионные модели прогнозировать данные с помощью машинного обучения с учителем |
| RegressionEnsemble Predict | Спрогнозируйте ответы, используя ансамбль деревьев решений для регрессии |
Узнайте о различных алгоритмах обучения в ансамбле.
Получите высокоточные предсказания при помощи многих слабых учащихся.
Обучите регрессионный ансамбль
Обучите простой регрессионный ансамбль.
Изучения методов оценки прогнозирующего качества ансамбля.
Выберите предикторы для случайных лесов
Выберите предикторы разделения для случайных лесов с помощью алгоритма тестирования взаимодействия.
Автоматически выбирайте меньше слабых учащихся для ансамбля таким образом, чтобы это не снижало прогнозирующую эффективность.
Агрегация Bootstrap (Bagging) деревьев регрессии с использованием TreeBagger
Создайте TreeBagger ансамбль для регрессии.
Используйте параллельную обработку для рабочего процесса Regression TreeBagger
Ускорите расчеты путем выполнения TreeBagger параллельно.
Обнаружение выбросов с помощью регрессии квантиля
Обнаружите выбросы в данных, используя случайный лес квантиля.
Условная оценка квантиля с использованием сглаживания ядра
Оцените условные квантования отклика, заданного по данным предиктора, используя случайный лес-квантиль и путем оценки функции условного распределения отклика с помощью сглаживания ядра.
Настройка случайного леса с использованием ошибки квантиля и байесовской оптимизации
Настройте случайный лес квантиля с помощью байесовской оптимизации.
Предсказание откликов с помощью блока RegressionEnsemble Predict
Обучите регрессионную модель ансамбля с оптимальными гиперпараметрами, а затем используйте блок RegressionEnsemble Predict для предсказания отклика.