Обучите регрессионный ансамбль
Этот пример показывает, как создать регрессионный ансамбль для предсказания пробега автомобилей на основе их лошадиных сил и веса, обученных на carsmall данные.
Загрузите carsmall набор данных.
load carsmallПодготовим данные предиктора.
X = [Horsepower Weight];
Данные отклика MPG. Единственным доступным типом повышенного регрессионного ансамбля является LSBoost. В данном примере произвольно выбирайте ансамбль из 100 деревьев, и используйте опции дерева по умолчанию.
Обучите ансамбль регрессионных деревьев.
Mdl = fitrensemble(X,MPG,'Method','LSBoost','NumLearningCycles',100)
Mdl =
RegressionEnsemble
ResponseName: 'Y'
CategoricalPredictors: []
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
Постройте график первого обученного регрессионного дерева в ансамбле.
view(Mdl.Trained{1},'Mode','graph');
По умолчанию fitrensemble выращивает мелкие деревья для LSBoost.
Предсказать пробег автомобиля мощностью 150 лошадиных сил весом 2750 фунтов.
mileage = predict(Mdl,[150 2750])
mileage = 23.6713