Класс: RegressionTree
Ошибка регрессии путем перекрестной валидации
E = cvloss(tree)
[E,SE] =
cvloss(tree)
[E,SE,Nleaf]
= cvloss(tree)
[E,SE,Nleaf,BestLevel]
= cvloss(tree)
[E,...] = cvloss(tree,Name,Value)
E = cvloss(tree)tree, дерево регрессии.
[ возвращает стандартную ошибку E,SE] =
cvloss(tree)E.
[ возвращает количество листьев (терминальных узлов) в E,SE,Nleaf]
= cvloss(tree)tree.
[ возвращает оптимальный уровень обрезки для E,SE,Nleaf,BestLevel]
= cvloss(tree)tree.
[ cross проверяет с дополнительными опциями, заданными одним или несколькими E,...] = cvloss(tree,Name,Value)Name,Value аргументы в виде пар. Можно задать несколько аргументы пары "имя-значение" в любом порядке как Name1,Value1,…,NameN,ValueN.
Вычислите ошибку перекрестной проверки для дерева регрессии по умолчанию.
Загрузите carsmall набор данных. Рассмотрим Displacement, Horsepower, и Weight как предикторы отклика MPG.
load carsmall
X = [Displacement Horsepower Weight];Вырастите дерево регрессии, используя весь набор данных.
Mdl = fitrtree(X,MPG);
Вычислите ошибку перекрестной проверки.
rng(1); % For reproducibility
E = cvloss(Mdl)E = 27.6976
E является 10-кратным взвешенным, средним MSE (взвешенным по количеству тестовых наблюдений в складках).
Примените перекрестную валидацию k-fold, чтобы найти лучший уровень для обрезки дерева регрессии для всех его поддеревьев.
Загрузите carsmall набор данных. Рассмотрим Displacement, Horsepower, и Weight как предикторы отклика MPG.
load carsmall
X = [Displacement Horsepower Weight];Вырастите дерево регрессии, используя весь набор данных. Просмотрите получившееся дерево.
Mdl = fitrtree(X,MPG); view(Mdl,'Mode','graph')
Вычислите 5-кратную ошибку перекрестной проверки для каждого поддерева, за исключением первых двух самых низких и самых высоких уровней обрезки. Задайте, чтобы вернуть лучший уровень обрезки по всем поддеревьям.
rng(1); % For reproducibility
m = max(Mdl.PruneList) - 1m = 15
[~,~,~,bestLevel] = cvloss(Mdl,'SubTrees',2:m,'KFold',5)
bestLevel = 14
Из 15 уровни обрезки, лучший уровень обрезки 14.
Обрезать дерево до наилучшего уровня. Просмотрите получившееся дерево.
MdlPrune = prune(Mdl,'Level',bestLevel); view(MdlPrune,'Mode','graph')
Можно создать перекрестно проверенную древовидную модель с crossval, и звоните kfoldLoss вместо cvloss. Если вы собираетесь изучить перекрестное дерево более одного раза, то альтернатива может сэкономить время.
Однако в отличие от cvloss, kfoldLoss не возвращается SE, Nleaf, или BestLevel.