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 carsmall

Подготовим 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');

Figure Regression tree viewer contains an axes and other objects of type uimenu, uicontrol. The axes contains 36 objects of type line, text.

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

См. также

|

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте