Класс: RegressionTree
Регрессионная ошибка путем реституции
L = resubLoss(tree)
L = resubLoss(tree,Name,Value)
L = resubLoss(tree,'Subtrees',subtreevector)
[L,se] =
resubLoss(tree,'Subtrees',subtreevector)
[L,se,NLeaf]
= resubLoss(tree,'Subtrees',subtreevector)
[L,se,NLeaf,bestlevel]
= resubLoss(tree,'Subtrees',subtreevector)
[L,...] = resubLoss(tree,'Subtrees',subtreevector,Name,Value)
L = resubLoss(tree)fitrtree используется для создания tree.
L = resubLoss(tree,Name,Value)Name,Value аргументы в виде пар. Можно задать несколько аргументы пары "имя-значение" в любом порядке как Name1,Value1,…,NameN,ValueN.
L = resubLoss(tree,'Subtrees',subtreevector)subtreevector.
[ возвращает вектор стандартных ошибок ошибок классификации.L,se] =
resubLoss(tree,'Subtrees',subtreevector)
[ возвращает вектор чисел листовых узлов в деревьях последовательности обрезки.L,se,NLeaf]
= resubLoss(tree,'Subtrees',subtreevector)
[ возвращает лучший уровень обрезки, определенный в L,se,NLeaf,bestlevel]
= resubLoss(tree,'Subtrees',subtreevector)TreeSize Пара "имя-значение". По умолчанию bestlevel - уровень обрезки, который дает потерю в пределах одного стандартного отклонения минимальных потерь.
[L,...] = resubLoss( возвращает статистику потерь с дополнительными опциями, заданными одним или несколькими tree,'Subtrees',subtreevector,Name,Value)Name,Value аргументы в виде пар. Можно задать несколько аргументы пары "имя-значение" в любом порядке как Name1,Value1,…,NameN,ValueN.
Загрузите carsmall набор данных. Рассмотрим Displacement, Horsepower, и Weight как предикторы отклика MPG.
load carsmall
X = [Displacement Horsepower Weight];Вырастите дерево регрессии, используя все наблюдения.
Mdl = fitrtree(X,MPG);
Вычислите MSE восстановления.
resubLoss(Mdl)
ans = 4.8952
Необрезанные деревья решений, как правило, перегружаются. Один из способов сбалансировать сложность модели и эффективности вне выборки - это обрезать дерево (или ограничить его рост), чтобы эффективность в выборке и вне выборки были удовлетворительными.
Загрузите carsmall набор данных. Рассмотрим Displacement, Horsepower, и Weight как предикторы отклика MPG.
load carsmall
X = [Displacement Horsepower Weight];
Y = MPG;Разделите данные на наборы для обучения (50%) и валидации (50%).
n = size(X,1); rng(1) % For reproducibility idxTrn = false(n,1); idxTrn(randsample(n,round(0.5*n))) = true; % Training set logical indices idxVal = idxTrn == false; % Validation set logical indices
Вырастите дерево регрессии с помощью набора обучающих данных.
Mdl = fitrtree(X(idxTrn,:),Y(idxTrn));
Просмотрите дерево регрессии.
view(Mdl,'Mode','graph');
Дерево регрессии имеет семь уровней обрезки. Уровень 0 является полным, несрезанным деревом (как показано). Уровень 7 является только корневым узлом (то есть без разделений).
Исследуйте обучающую выборку MSE для каждого поддерева (или уровня обрезки), исключая самый высокий уровень.
m = max(Mdl.PruneList) - 1;
trnLoss = resubLoss(Mdl,'SubTrees',0:m)trnLoss = 7×1
5.9789
6.2768
6.8316
7.5209
8.3951
10.7452
14.8445
MSE для полного, несрезанного дерева составляет около 6 модули.
MSE для дерева, обрезанного до уровня 1, составляет около 6,3 модули.
MSE для дерева, обрезанного до уровня 6 (т.е. пня), составляет около 14,8 модули.
Исследуйте выборку валидации MSE на каждом уровне, исключая самый высокий уровень.
valLoss = loss(Mdl,X(idxVal,:),Y(idxVal),'SubTrees',0:m)valLoss = 7×1
32.1205
31.5035
32.0541
30.8183
26.3535
30.0137
38.4695
MSE для полного, несрезанного дерева (уровень 0) составляет около 32,1 модули.
MSE для дерева, обрезанного до уровня 4, составляет около 26,4 модули.
MSE для дерева, обрезанного до уровня 5, составляет около 30,0 модули.
MSE для дерева, обрезанного до уровня 6 (т.е. пня), составляет около 38,5 модули.
Чтобы сбалансировать сложность модели и несовпадающую эффективность, рассмотрите обрезку Mdl на уровень 4.
pruneMdl = prune(Mdl,'Level',4); view(pruneMdl,'Mode','graph')
fitrtree | loss | resubPredict