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');
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